阿里釋出開源語音模型 Qwen3-TTS：延遲 97 毫秒，幾秒音訊即可克隆音色

Qwen3-TTS 是阿里最新開源的文本轉語音模型，主打超快推理與靈活的聲音控制。只要給它幾秒鐘的參考音訊，它就能克隆出對應的音色；你甚至不需要真實音訊，直接寫一句提示詞，比如「聲音嘶啞的老人」或「卡通花栗鼠」，就能憑空捏出一條全新的聲線。

它能做什麼

模型這次提供了 1.7B 和 0.6B 兩個尺寸。1.7B 效能最好且控制能力完整，0.6B 則更偏向輕量和推理效率。

底層採用 Dual-Track 雙軌架構，輸入一個字就能輸出首包音訊，端到端延遲壓到了 97 毫秒。這意味著它不僅能拿來批次做有聲書、一人分飾多角，還能直接塞進直播、即時語音翻譯和 AI 客服等對話場景。

跨語種能力也很亮眼。用中文樣本克隆音色後，模型能保持原本的聲音質感，直接輸出英語、日語、韓語、德語、法語、俄語、西班牙語、葡萄牙語和義大利語，甚至連四川話、北京話等方言也能拿捏，悲傷、快樂、憤怒等情緒也能自由控制。

為什麼重要

對於做有聲內容、虛擬主播或即時語音 Agent 的開發者來說，97 毫秒的延遲讓真正的即時對話不再卡頓，單靠開源模型就能省去昂貴的商業閉源語音 API 賬單。

我們認為，把提示詞捏聲線和方言、跨語言克隆打包進 0.6B 到 1.7B 這樣的小體積模型裡，阿里這次在端側和低成本語音落地上的推進相當務實。如果你的業務對低延遲互動有強需求，現在就值得下載跑一跑。