在当下，持续投入精力认真打造开源模型的团队已不多见。通义千问团队在这方面的努力显得尤为突出，其开源节奏连贯且充满力量。
随着Qwen3-TTS的正式发布，不禁让人思考，像Elevenlabs这样的闭源商业服务是否会感到压力？当开源模型的效果与闭源产品不相上下时，用户还会倾向于选择价格高昂的服务吗？
与其罗列枯燥的数据，不如让结果说话。官方宣称其在多个维度达到了SOTA（当前最优）水平，下面的性能对比图足以说明其强大实力。但更重要的是，我们需要直观地感受其生成效果。
项目简介
Qwen3-TTS是由通义千问团队开发的一套全栈式、高性能语音生成模型系列。
核心功能
- 全能生成：全面支持音色克隆、音色创造、超高质量拟人化语音生成。
- 自然语言控制：支持通过自然语言描述来控制语音的语气、情感和节奏。
- 智能理解：具备强大的上下文理解能力，能根据文本语义自适应调整表达，且对文本噪声有很强的鲁棒性。
模型规格与支持
- 多尺寸开源：提供1.7B和0.6B两个参数量级的系列模型，均完全开源。
- 多语言覆盖：支持10种主流语言（中、英、日、韩、德、法、俄、葡、西、意）及多种方言。
效果演示
实践是检验真理的唯一标准。亲眼所见（亲耳所闻）其效果，你便会明白，开源模型在TTS领域已经取得了突破性的进展。
由于展示渠道限制，音频样例数量有限，因此我们挑选了最具代表性的功能进行展示。
音色创造
声学属性控制
- 指令控制：采用高亢的男性嗓音，语调随兴奋情绪不断上扬，以快速而充满活力的节奏传达信息。音量要足够响亮，近乎喊叫，以体现紧迫感。发音务必清晰精准、字字分明，让每个词都铿锵有力。整体表达需流畅自然、明亮生动，富有戏剧性，展现出外向、自信且张扬的个性，同时传递出一种威严而宏大的宣告语气，洋溢着满溢的激动之情。
- 合成文本：好了各位，往后退，往后退！我有个天大的好消息要宣布：Qwen-TTS正式开源啦！
年龄控制
- 指令控制：体现撒娇稚嫩的萝莉女声，音调偏高且起伏明显，营造出黏人、做作又刻意卖萌的听觉效果。
- 合成文本：哥哥，你回来啦，人家等了你好久好久了，要抱抱！
渐变控制
- 指令控制：
- 合成文本：你在干什么?有什么好看的?喂!我叫你走，你在干什么?给我走啊!
音色复用
用户可以将Qwen3-TTS创建的音色进行持久化存储和重复调用，从而生成生动自然的多轮次、多角色长篇章对话。这一特性使其在配音、广播剧制作等场景下极具潜力。
音色克隆
此处仅展示中文语音的克隆能力，其对其他语言及跨语种克隆的支持，有兴趣的读者可以自行探索。
- 原音频：（此处原为音频，文本描述略）
- 克隆音频
- 合成文本：祝您在马年里事业一马当先，业绩万马奔腾，在新的一年里快马加鞭，再创辉煌！
许多方向的人工智能模型性能都存在物理极限，达到一定程度后便会遭遇瓶颈。但我坚信，未来将有更多优秀的开源实战项目能够追平甚至超越闭源方案。
技术特点
- 还原度高：自研的编码器能在高压缩率下完整保留语气、呼吸声甚至环境音，实现高保真语音的原汁原味还原。
- 架构统一：采用通用的端到端架构，摒弃了传统方案中多个模型拼凑的方式，避免了误差累积，在生成效率和质量上限方面都有显著提升。
- 实时对话：独创的双轨流式架构，使得模型在接收到第一个文本token时即可开始生成语音，延迟低至97ms，完全满足实时语音交互的需求。
- 听得懂指令：支持用通俗的自然语言指令控制语气和情感，模型同时具备对文本语义的理解能力，可自动调整表达节奏，真正实现“所想即所听”。
项目链接
开源链接：https://github.com/QwenLM/Qwen3-TTS
官方博客：https://qwen.ai/blog?id=qwen3tts-0115
在线试用：https://huggingface.co/spaces/Qwen/Qwen3-TTS
技术的发展离不开社区的交流与共享。如果你想了解更多关于智能 & 数据 & 云领域的前沿动态，或与其他开发者探讨技术实践，欢迎访问云栈社区进行深入交流。 | 
发表于 8 小时前
|
查看: 1|
回复: 0
