阿里巴巴发布新品 Qwen 语音模型，三秒录音即可复刻嗓音

近日，阿里云计算的 Qwen 团队推出两款全新的 AI 语音模型，支持用文本指令生成声音或进行声音复刻。

其中，Qwen3-TTS-VD-Flash 可按细致的文字描述合成声音，用户可以精确设置情绪、说话节奏等特征。

比如，你可以要求生成“中年男士、浑厚的男中音——充满活力的广告旁白，语速偏快，音调起伏夸张，带强烈带货感”。官方称该模型在性能上优于 OpenAI 近期发布的 GPT-4o mini-tts API。

另一款 Qwen3-TTS-VC-Flash，仅需约三秒的语音样本就能复制嗓音，并可在十种语言中复现。Qwen 表示，相比市面上的 Elevenlabs 或 MiniMax，该模型的错误率更低。

此外，这套 AI 还能处理复杂文本、模仿动物叫声，并可从录音中提取并还原人声。两款模型均可通过阿里云 API 调用，用户也能在 Hugging Face 上体验“声音设计”和“声音克隆”的在线演示。

划重点:  

🌟 新版 Qwen 模型支持用文字生成与复刻声音。  

🎤 Qwen3-TTS-VC-Flash 三秒录音即可复制嗓音，覆盖十种语言。  

🚀 模型性能优于同类产品，胜任复杂文本与多样声音模仿。