阿里发布 Qwen3-TTS 语音系列：3 秒克隆声音，用提示词捏出专属人设

想给 AI 配个定制声音，过去要么在几个预设音色里挑，要么得录上好几分钟 sample 来训练。

阿里 Qwen 团队最近推出了 Qwen3-TTS 系列，带来 VoiceDesign 和 VoiceClone 两款 Flash 级别的模型，把声音定制和克隆的门槛又往下拉了一截。

3 秒克隆，或者直接用一句话捏声音

负责捏声音的 VoiceDesign-VD-Flash 完全取消了预设音色。用户只需要用自由文本写清楚语气、节奏、情绪和人设，就能直接生成专属的声音特征。阿里表示，它在角色扮演基准测试里超过了 GPT-4o-mini-tts 和 Gemini-2.5-pro。

负责声音复制的 VoiceClone-VC-Flash 门槛更低，号称只需要 3 秒音频就能克隆任何声音。它支持中文、英文、日文、西班牙文等 10 种语言生成。

官方数据显示，在多语言测试中，该模型的词错误率比 ElevenLabs 和 GPT-4o-Audio 低了 15%，并且具备上下文感知的停顿和语调节奏。目前两项能力已经在 Qwen Chat 上线。

为什么重要

对内容创作者和独立开发者来说，3 秒克隆加上文本捏人设，意味着游戏配音、播客有声书的制作成本被大幅压低，非常值得立刻去 Qwen Chat 体验一下中文表现。

在行业层面，阿里直接把标杆对准了 ElevenLabs 和 OpenAI。语音赛道过去被 ElevenLabs 这类垂直厂商统治，但当头部模型团队把高质量 TTS 当成基础设施免费或廉价提供时，中间层语音工具的溢价空间就会被迅速吃掉。

我们认为阿里的产品思路很聪明，用提示词直接捏声音跳过了传统预设音色的死板套路。不过，把克隆门槛降到短短 3 秒，也会进一步放大声音伪造和冒用的风险，阿里后续必须配套更严格的安全防伪手段。