Qwen3-TTS
阿里的 Apache 2.0 文本转语音模型,1.7B 和 0.6B 两种规格:10 种语言,3 秒克隆声音,流式延迟约 97 毫秒。
一句话概括. Qwen3-TTS 能用自然的声音朗读文字。你可以选九种内置声音之一,用文字描述想要的声音,或者用三秒钟的音频克隆一个声音。它支持十种语言,可以指示它怎么说(平静、兴奋、快、慢),而且几乎立刻开口,适合实时助手。许可证是 Apache 2.0。
概述
阿里通义千问团队于 2026 年 1 月 22 日以 Apache 2.0 许可证发布 Qwen3-TTS。它是一个文本转语音模型家族,有 1.7B 和 0.6B 两种规格,共五个开放检查点。VoiceDesign(1.7B)根据文字描述创造全新的声音。CustomVoice(1.7B 和 0.6B)提供九种高品质内置声音,覆盖性别、年龄、语言和方言的各种组合,并可通过指令控制风格。Base(1.7B 和 0.6B)能用约三秒的参考音频克隆声音,也是用于微调的检查点。
模型覆盖十种语言(中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语)以及若干方言声音。Qwen 称它们能根据自然语言指令和文本含义调整语气、语速和情感,并且对含噪声的输入文本更稳健。语音由单独的 12 Hz 语音分词器(Qwen3-TTS-Tokenizer-12Hz,下载约 0.7 GB)表示,模型是离散多码本语言模型,而不是语言模型加扩散阶段的组合。双轨设计让同一个模型同时支持流式和非流式输出:据 Qwen 称,输入一个字符后即可输出第一个音频包,端到端延迟最低 97 毫秒。
每个 1.7B 检查点约 4.5 GB,每个 0.6B 检查点约 2.5 GB,另加分词器。qwen-tts Python 包可以加载它们,也支持 vLLM;Qwen 建议使用 FlashAttention 2 来降低显存占用。Qwen 技术报告中的延迟和质量对比为自测结果。
适合做什么
- 需要低延迟流式语音的语音助手和智能体
- 10 种语言的多语言旁白、有声书和视频配音
- 无需录音,根据文字描述创造自定义声音
- 用简短样本克隆你有权使用的声音,并对 Base 模型做微调
需要注意
- 未经本人许可克隆真人声音可能违法或造成伤害,Apache 2.0 并不赋予你这种权利
- 仅支持十种语言;依赖前请先检查你的语言和方言的效果
- 97 毫秒的延迟是 Qwen 的最佳情形,取决于你的硬件和服务栈
- 质量和延迟对比来自 Qwen 自己的报告
性能数据来自开发方,未经独立验证。
需要多少内存?
以下是 Qwen3-TTS 各版本的内存数据。图像、视频、语音和音乐管线还要加载文本编码器和解码器,所以所需内存可能比主检查点更大。
| 版本 | 参数量 | 下载大小 | 所需内存 | 可运行于 |
|---|---|---|---|---|
| 0.6B Base (voice cloning, fine-tuning) BF16 | 910M | 3.2 GB | 3.68 GB | 笔记本或手机 |
| 0.6B CustomVoice (built-in voices) BF16 | 910M | 3.2 GB | 3.68 GB | 笔记本或手机 |
| 1.7B Base (voice cloning, fine-tuning) BF16 | 1.92B | 5.2 GB | 5.98 GB | 笔记本或手机 |
| 1.7B CustomVoice (built-in voices) BF16 | 1.92B | 5.2 GB | 5.98 GB | 笔记本或手机 |
| 1.7B VoiceDesign (voice from a description) BF16 | 1.92B | 5.2 GB | 5.98 GB | 笔记本或手机 |
下载大小包含运行模型所需的全部组件,例如生成器、文本编码器和解码器。所需内存优先采用开发方声明或已公开的实测最低值;没有时按下载大小加约 15% 估算。更大的图像、更长的片段和更高的分辨率需要更多内存。
许可证,用大白话说
最常见的宽松型许可证之一。你可以使用、修改模型并基于它销售产品,只需遵守少量条件。
延伸阅读
常见问题
- Qwen3-TTS 是什么?
- Qwen3-TTS 能用自然的声音朗读文字。你可以选九种内置声音之一,用文字描述想要的声音,或者用三秒钟的音频克隆一个声音。它支持十种语言,可以指示它怎么说(平静、兴奋、快、慢),而且几乎立刻开口,适合实时助手。许可证是 Apache 2.0。
- Qwen3-TTS 可以商用吗?
- 可以。Qwen3-TTS 采用 Apache 2.0 发布,这是一种宽松许可证。只要遵守常规条件(例如保留许可证声明),就可以商用。
- Qwen3-TTS 是开源的吗?
- Qwen3-TTS 采用 Apache 2.0 发布,该许可证经开源促进会(OSI)认可。训练数据和训练代码不一定公开,因此更准确的说法是“采用开源许可证的开放权重模型”。
- 我能在自己的电脑上运行 Qwen3-TTS 吗?
- 可以。最小版本 0.6B Base (voice cloning, fine-tuning) 在 4 位精度下约需 3.68 GB 内存,现代笔记本或中端显卡即可胜任。
- Qwen3-TTS 是什么时候发布的?
- Qwen3-TTS 由 Alibaba Qwen 于 2026年1月22日 发布。
官方链接
来源
规格数据来自以下一手资料。文中提到的基准测试结果由开发方自报。
- Qwen3-TTS repository and release log (GitHub) github.com
- Qwen3-TTS-12Hz-1.7B-CustomVoice model card (Hugging Face) huggingface.co
- Qwen3-TTS collection (Hugging Face) huggingface.co
发布时间等信息最近核实于 2026年11月8日。
相关模型
| 模型 | 发布时间 | 参数量 | 上下文 | 许可证 | 最小版本所需内存 |
|---|---|---|---|---|---|
| Kokoro hexgrad | 82M | – | Apache 2.0 (宽松) | 0.38 GB 笔记本或手机 | |
| Pocket TTS Kyutai | 18M – 100M | – | CC BY 4.0 (宽松) | 0.127 GB 笔记本或手机 | |
| MOSS-TTS OpenMOSS | 4.55B – 8.49B | – | Apache 2.0 (宽松) | 10 GB 笔记本或手机 | |
| LFM3-Audio-2B Liquid AI | 2B | 32K | LFM Open 1.0 (附条件) | 4.6 GB 笔记本或手机 |