阿里釋出 Qwen3-TTS 語音系列：3 秒克隆聲音，用提示詞捏出專屬人設

想給 AI 配個定製聲音，過去要麼在幾個預設音色裡挑，要麼得錄上好幾分鐘 sample 來訓練。

阿里 Qwen 團隊最近推出了 Qwen3-TTS 系列，帶來 VoiceDesign 和 VoiceClone 兩款 Flash 級別的模型，把聲音定製和克隆的門檻又往下拉了一截。

3 秒克隆，或者直接用一句話捏聲音

負責捏聲音的 VoiceDesign-VD-Flash 完全取消了預設音色。使用者只需要用自由文本寫清楚語氣、節奏、情緒和人設，就能直接生成專屬的聲音特徵。阿里表示，它在角色扮演基準測試裡超過了 GPT-4o-mini-tts 和 Gemini-2.5-pro。

負責聲音複製的 VoiceClone-VC-Flash 門檻更低，號稱只需要 3 秒音訊就能克隆任何聲音。它支援中文、英文、日文、西班牙文等 10 種語言生成。

官方資料顯示，在多語言測試中，該模型的詞錯誤率比 ElevenLabs 和 GPT-4o-Audio 低了 15%，並且具備上下文感知的停頓和語調節奏。目前兩項能力已經在 Qwen Chat 上線。

為什麼重要

對內容創作者和獨立開發者來說，3 秒克隆加上文本捏人設，意味著遊戲配音、播客有聲書的製作成本被大幅壓低，非常值得立刻去 Qwen Chat 體驗一下中文表現。

在行業層面，阿里直接把標杆對準了 ElevenLabs 和 OpenAI。語音賽道過去被 ElevenLabs 這類垂直廠商統治，但當頭部模型團隊把高質量 TTS 當成基礎設施免費或廉價提供時，中間層語音工具的溢價空間就會被迅速吃掉。

我們認為阿里的產品思路很聰明，用提示詞直接捏聲音跳過了傳統預設音色的死板套路。不過，把克隆門檻降到短短 3 秒，也會進一步放大聲音偽造和冒用的風險，阿里後續必須配套更嚴格的安全防偽手段。