本篇文章更新時間：2026/01/23
如有資訊過時或語誤之處，歡迎使用 Contact 功能通知。
一介資男的 LINE 社群開站囉！歡迎入群聊聊～
如果本站內容對你有幫助，歡迎使用 BFX Pay 加密貨幣 或 新台幣 贊助支持。
Qwen3-TTS 開源：從語音設計到極速生成的全方位進化
編輯前言：這篇文章來自官方部落格《Qwen3-TTS Family is Now Open Sourced: Voice Design, Clone, and Generation!》，原文連結在此：閱讀原文。我之所以想寫這篇筆記，是因為 Qwen 推出的這組 TTS 模型，不只是「把文字變成語音」這麼簡單，它徹底拉高了語音生成的可控性、即時性與表達自由度。對做內容、AI 產品或語音應用的人來說，這是一個等級的大升級。
核心觀點 (Key Takeaways)
- 真正全能的 TTS 套件：支援語音設計、語音克隆、跨語言生成、多維度聲線控制、指令式語音風格設定。
- 極低延遲、極高品質：Dual-Track 架構讓模型只需看到「一個字」就能開始出音，延遲最低可達 97ms。
- 強大的語意理解力：能依指令調整語氣、節奏、情緒，甚至能對文本噪音（拼音、符號、生僻字）保持穩定輸出。
深入解析
Qwen3-TTS 的核心，是它自行開發的 Qwen3-TTS-Tokenizer-12Hz 多碼本編碼器。這個技術聽起來很工程，但換句話說，就是它能在高度壓縮語音的同時，把人聲中極細緻的「副語言資訊」保留住，例如：情緒、口氣、環境殘響、聲線質地等。這也是為什麼這次官方展示的語音樣本，從嬌嗔、哭腔、喊叫，到專業廣播腔，都能保持自然且可信。
官方還強調一個值得注意的點：這是 真正的 end-to-end 多碼本語音建模，不再需要傳統「LM + DiT」的多階段管線。這代表模型的表現空間更大，延遲更低，可控性更高。
在模型尺寸上，他們開源了 1.7B 與 0.6B，語言覆蓋 10 種語言與多種方言。1.7B 偏向極致體驗，而 0.6B 則在效能與品質間取得平衡。
官方的評測結果很強勢：
- 語音設計：1.7B VoiceDesign 在 InstructTTS-Eval 中超越 MiniMax-Voice-Design。
- 語音控制：平均 WER 僅 2.34%，能維持音色、又能精準調整風格。
- 語音克隆：中文、英文、跨語言能力均達 SOTA，效果超越 MiniMax、SeedTTS、ElevenLabs。
以下是我認為特別值得一提的兩個部分——
-
極低延遲的 Dual-Track 架構：
官方提到模型可在看到首個字元後立即輸出第一段音訊。這對即時語音代理（Real-time AI Agent）來說非常關鍵。 -
語音控制的自由度極高：
文章展示的例子非常多元，有： -
情緒控制（痛哭、憤怒、撒嬌…）
-
年齡調整（老、中、少）
-
語速、音量、音調
-
各種角色人設（御姐、播音員、科研專家等）
-
跨語言聲線保持
這些示例讓我感受到：它已經不是「給我一句念出來」的 TTS，而是更接近「可導演的聲音演員」。
筆者心得與啟發
我自己讀完最大的震撼是：TTS 的競爭已經不再是「像不像真人」，而是「能不能像真人一樣被指揮、被演繹、被塑造」。
Qwen3-TTS 開源後，我覺得有三個應用方向會被大幅推進：
- AI 劇場、AI 有聲書、角色配音：天然支援多角色、可儲存聲線，且風格可控，非常像一組可訓練的聲音卡司。
- 即時語音代理（AI Agents）：延遲做到這麼低，代表語音 AI 真的能進入「秒級反應」的境界。
- 跨語言品牌 Voice Identity：聲音不變、語言可切換，對全球化品牌很實用。
換句話說，這不只是「開源一個模型」，而是一次生態級的釋放。對創作者、開發者、企業來說，它開啟了全新的敘事方式與互動模式。
我會持續關注它的後續應用，因為這確實像是語音 AI 的一個新時代開端。