在2025年5月，阿里通过 Qwen API 正式发布了最新版本的 Qwen‑TTS（代号 qwen‑tts‑2025‑05‑22）。该模型基于数百万小时的多语种语音数据进行训练，能够在多项主流评测基准上达到接近人类的自然度和表现力。Qwen‑TTS 能够根据输入文本内容自动调整韵律（prosody）、语速和情感色彩，从而输出更具表现力和自然感的语音。

核心特性

大规模训练：利用海量多语种、多风格的语音文本对进行预训练，确保模型对不同语言、不同场景的鲁棒性。
动态韵律控制：可根据文本中的标点、语义结构自动优化断句与语调。
情感与风格注入：支持在合成时加入适度的情感参数（如期待、惊讶、平静等）和演讲风格（如播报、对话、故事叙述等）。
可扩展性：模型架构模块化设计，便于后续新增语种、风格或定制化声音。

支持语种与声音选项

截至目前，Qwen‑TTS 已发布包括中英双语在内的 7 个标准合成声音：

Cherry（中英双语，女声）
Ethan（中英双语，男声）
Chelsie（中英双语，女声）
Serena（中英双语，女声）
Dylan（北京话口音，男声）
Jada（上海话口音，女声）
Sunny（四川话口音，女声）

更多语种（如日语、韩语、法语等）和个性化风格选项预计将在近期开启公测。

评测指标

在 SeedTTS‑Eval 基准测试中，Qwen‑TTS 各声线均展现出极低的词错误率（WER）和较高的语音相似度（SIM），评测结果如下：

Speaker	WER (↓)			SIM (↑)
Speaker	zh	en	hard	zh	en	hard
Chelsie	1.256	2.004	6.171	0.658	0.473	0.662
Serena	1.495	2.206	7.394	0.804	0.508	0.803
Ethan	1.489	1.969	6.754	0.777	0.558	0.779
Cherry	1.209	1.967	6.069	0.799	0.664	0.801

上述结果表明，Qwen‑TTS 在多种测试场景下均可达到接近人类的合成质量。

Qwen‑TTS 作为阿里最新发布的语音合成大模型，凭借大规模数据训练和先进的模型架构，实现了高度自然、富有表现力的语音输出。目前模型暂未开源，但已通过 API 形式向合作伙伴提供服务。未来，阿里计划进一步扩展更多语种与风格，并优化小语种及特殊场景下的合成效果，以满足更广泛的应用需求。

Qwen-TTS

模型基本信息

是否支持推理过程

最高上下文输入长度

最长输出结果

模型类型

发布时间

模型预文件大小

开源和体验地址

代码开源状态

预训练权重开源

GitHub 源码

Hugging Face

在线体验

官方介绍与博客

官方论文

DataLearnerAI博客

API接口信息

接口速度（满分5分）

接口价格

输入价格:

输出价格:

输入支持的模态

文本

图片

视频

音频

Embedding（向量）

输出支持的模态

文本

图片

视频

音频

Embedding（向量）

Qwen-TTS模型在各大评测榜单的评分

发布机构

模型介绍

关注DataLearnerAI公众号