实体导读
阿里 Qwen 团队 2026-01 发布的多语言、可控、流式 TTS 模型家族。基于 Qwen3 LLM 系列。
- 双轨架构
- Tokenizer 方案
- 核心创新
- 性能
- 关联
Qwen3-TTS
阿里 Qwen 团队 2026-01 发布的多语言、可控、流式 TTS 模型家族。基于 Qwen3 LLM 系列。
双轨架构
Tokenizer 方案
| 方案 | Token Rate | Codebook | 解码器 | 首包延迟 | 定位 |
|---|---|---|---|---|---|
| Qwen-TTS-Tokenizer-25Hz | 25 Hz | Single-codebook | Block-wise DiT | ~200ms | 高质量、语义保真 |
| Qwen-TTS-Tokenizer-12Hz | 12.5 Hz | 16层 Multi-codebook | Causal ConvNet | 97ms | 超低延迟流式 |
核心创新
- Semantic-Acoustic 分离: 12Hz 版本用语义优先编码 + 声学细节分离，实现极端低码率
- Dual-track LM: 同一模型支持两种 tokenizer 方案切换
- 自然语言控制: 支持描述式语音风格控制（情绪、音调等）
- 3秒语音克隆: SOTA 级 zero-shot voice cloning
性能
- 训练数据: 500 万+ 小时，10 种语言
- Voice Cloning WER: Seed-TTS 基准上最低
- 跨语言鲁棒性: 中→韩等跨语言场景稳定
- 流式生成: 全程支持实时流式合成
Apache 2.0 开源（模型 + 两种 tokenizer）。
关联
- qwen3-omni — 共享架构思想的姊妹模型
- qwen3-asr — ASR 姊妹模型
- seed-tts — 竞品：Seed-TTS
- speech-llm — Speech LLM 概念