Qwen-TTS

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：

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。