Qwen3-TTS：实现97毫秒极速语音合成克隆

Qwen3-TTS 是由 Qwen 团队开发的一系列多语言、可控且支持流式输出的新一代语音合成模型。该系统基于 Qwen3 语言模型架构，提供 1.7B 和 0.6B 两种规模，支持仅需 3 秒音频的高保真克隆及复杂的自然语言语音设计。为了平衡语义理解与音频细节，研究者推出了 25Hz 和 12Hz 两种离散语音分词器，分别针对语义表达和超低延迟场景进行了优化。该模型在超过 500 万小时的数据上完成训练，涵盖 10 种语言，在多语言评测和超过 10 分钟的长文本合成中均达到行业领先水平。目前，该项目已在 Apache 2.0 协议下开源，旨在推动自动化内容创作与人机交互领域的研究发展。