Qwen3-TTS

2026年6月2日更新：搭载 Apple M 系列芯片的 macOS 电脑，可运行专为 MLX 框架优化的 AI 模型，实现生成速度大幅提升。在这之前安装的用户，可点击重新安装，可下载到 MLX 版的模型。

Qwen3-TTS 是由 阿里巴巴通义千问团队（Qwen Team） 开发的开源语音合成（TTS）模型系列。它不仅能将文字转为声音，更像是一位懂情感、会“模仿”的语音专家。无论你是想给视频配音，还是想打造一个有独特个性的 AI 助手，它都能轻松胜任。

功能亮点：

• 听话的“声音设计师”： 你只需用自然语言描述，比如“一个温柔的女生，语气轻快”，它就能为你创造一个全新的专属音色。
• 超强的“语音克隆”： 只需要提供一段 3 到 5 秒的录音，它就能高度还原原主人的声音，甚至连呼吸声和语气起伏都非常真实。
• 多语言与方言大师： 支持中、英、日、韩等 10 种主要语言。特别厉害的是，它还精通粤语、四川话、上海话等多种中国方言，听起来极具家乡亲切感。
• 反应飞快： 它的处理延迟极低（约 97 毫秒），你刚打完字，声音几乎就出来了，非常适合直播或实时通话。

技术底座与团队： 本项目由阿里巴巴通义千问团队倾力打造，该团队在自然语言处理和多模态领域处于世界领先水平。

• 核心架构： 采用了先进的**离散多码本语言模型（Discrete Multi-Codebook LM）**架构，彻底告别了传统技术中容易出现的语调生硬问题。
• 底层引擎： 基于自研的 Qwen3-TTS-Tokenizer-12Hz 技术，能够对语音信号进行深度语义建模，完美保留语气、停顿和环境氛围等细微信息。