12月24日，阿里通義正式宣布升級(jí)語(yǔ)音模型家族Qwen3-TTS，同步推出音色創(chuàng)造Qwen3-TTS-VD（VoiceDesign）和音色克隆Qwen3-TTS-VC（VoiceClone）兩款全新模型，實(shí)現(xiàn)從“復(fù)制聲音”到“創(chuàng)造聲音”的跨越，重新定義人機(jī)語(yǔ)音交互邊界。此次升級(jí)不僅在技術(shù)指標(biāo)上實(shí)現(xiàn)突破，更將深度賦能內(nèi)容創(chuàng)作、教育培訓(xùn)、客服營(yíng)銷(xiāo)等多個(gè)行業(yè)場(chǎng)景。

AI制圖

據(jù)了解，Qwen3-TTS-VD模型實(shí)現(xiàn)了音色創(chuàng)造的核心突破，用戶(hù)通過(guò)自然語(yǔ)言描述即可完成對(duì)音色、韻律、情感、人設(shè)的精細(xì)化調(diào)控。無(wú)論是“30歲成熟男性的磁性嗓音”還是“剛畢業(yè)女老師的溫柔聲線”，模型都能精準(zhǔn)生成符合描述的專(zhuān)屬音色，徹底擺脫傳統(tǒng)語(yǔ)音合成對(duì)預(yù)設(shè)音色的依賴(lài)。評(píng)測(cè)數(shù)據(jù)顯示，該模型在InstructTTS-Eval綜合表現(xiàn)顯著優(yōu)于GPT-4o-mini-tts等同類(lèi)產(chǎn)品，在角色扮演測(cè)試中更是超越Gemini-2.5-pro-preview-tts，確立全球領(lǐng)先地位。

另一款Qwen3-TTS-VC模型則將音色克隆技術(shù)推向新高度，僅需3秒音頻樣本即可完美復(fù)刻原始聲線，較行業(yè)常規(guī)1分鐘樣本的要求大幅降低使用門(mén)檻。值得關(guān)注的是，該模型支持中文、英文、德語(yǔ)等10大主流語(yǔ)言及8大方言的跨語(yǔ)種生成，在MiniMaxTTSMultilingualTestSet評(píng)測(cè)中，平均詞錯(cuò)誤率全面優(yōu)于MiniMax、ElevenLabs等競(jìng)品。這種“復(fù)刻聲線+多語(yǔ)言適配”的組合能力，為跨地域、跨語(yǔ)言場(chǎng)景應(yīng)用提供了核心支撐。

兩款新模型均具備高表現(xiàn)力的擬人化音色，能根據(jù)文本語(yǔ)義自動(dòng)調(diào)節(jié)語(yǔ)氣節(jié)奏，同時(shí)擁有強(qiáng)大的復(fù)雜文本解析能力，對(duì)非規(guī)范化文本展現(xiàn)出較強(qiáng)魯棒性。在應(yīng)用場(chǎng)景上，內(nèi)容創(chuàng)作者可通過(guò)模型獲得多個(gè)“聲音分身”，大幅降低配音成本；教育培訓(xùn)領(lǐng)域可定制專(zhuān)屬AI老師聲音，助力個(gè)性化教學(xué)；企業(yè)則能打造專(zhuān)屬品牌聲音形象，提升客服與營(yíng)銷(xiāo)的個(gè)性化服務(wù)水平。