阿里发布开源语音模型 Qwen3-TTS：延迟 97 毫秒，几秒音频即可克隆音色

Qwen3-TTS 是阿里最新开源的文本转语音模型，主打超快推理与灵活的声音控制。只要给它几秒钟的参考音频，它就能克隆出对应的音色；你甚至不需要真实音频，直接写一句提示词，比如「声音嘶哑的老人」或「卡通花栗鼠」，就能凭空捏出一条全新的声线。

它能做什么

模型这次提供了 1.7B 和 0.6B 两个尺寸。1.7B 性能最好且控制能力完整，0.6B 则更偏向轻量和推理效率。

底层采用 Dual-Track 双轨架构，输入一个字就能输出首包音频，端到端延迟压到了 97 毫秒。这意味着它不仅能拿来批量做有声书、一人分饰多角，还能直接塞进直播、实时语音翻译和 AI 客服等对话场景。

跨语种能力也很亮眼。用中文样本克隆音色后，模型能保持原本的声音质感，直接输出英语、日语、韩语、德语、法语、俄语、西班牙语、葡萄牙语和意大利语，甚至连四川话、北京话等方言也能拿捏，悲伤、快乐、愤怒等情绪也能自由控制。

为什么重要

对于做有声内容、虚拟主播或实时语音 Agent 的开发者来说，97 毫秒的延迟让真正的实时对话不再卡顿，单靠开源模型就能省去昂贵的商业闭源语音 API 账单。

我们认为，把提示词捏声线和方言、跨语言克隆打包进 0.6B 到 1.7B 这样的小体积模型里，阿里这次在端侧和低成本语音落地上的推进相当务实。如果你的业务对低延迟交互有强需求，现在就值得下载跑一跑。