2025年12月24日，人工智能领域迎来重大突破，阿里通义正式发布Qwen3-TTS家族的两款创新模型——音色创造模型Qwen3-TTS-VD-Flash与音色克隆模型Qwen3-TTS-VC-Flash，为语音合成技术开启全新篇章。这两款模型不仅展现了卓越的技术实力，更在多个维度上超越了行业标杆，为用户带来前所未有的语音定制体验。
Qwen3-TTS-VD-Flash作为音色创造领域的革新之作，能够通过自然语言指令精准定制音色、情感与人设，实现“如何说”的精细化控制。在权威的InstructTTS-Eval评测中，该模型的表现力显著超越GPT-4o-mini-tts等同类模型，证明了其在语音生成领域的领先地位。这一突破意味着用户可以根据具体需求，打造出具有独特风格和情感表达的虚拟形象，为智能客服、虚拟主播等领域带来无限可能。
与此同时，音色克隆模型Qwen3-TTS-VC-Flash以惊人的速度和精度，实现了3秒级音色克隆，并可生成包括中文、英文、日语在内的10种语言语音。在多语种测试中，该模型的词错误率显著优于MiniMax、ElevenLabs等主流方案，展现了强大的跨语言处理能力。这一技术不仅能够帮助内容创作者快速生成多语言语音素材，还能为语言教学、跨文化交流等领域提供有力支持。
两款模型均具备高表现力与强文本鲁棒性，能够完美应对复杂文本场景的挑战。无论是情感丰富的故事讲述，还是逻辑严谨的学术报告，Qwen3-TTS家族都能以精准的语音合成效果，还原文本的深层含义。此外，相关API已全面开放，开发者可轻松集成这些先进技术，为各类应用场景注入智能语音新活力。
此次阿里通义Qwen3-TTS家族的发布，不仅标志着语音合成技术迈入新纪元，更为人工智能应用拓展了广阔空间。随着技术的不断迭代，我们有理由相信，这些创新模型将为未来智能交互带来更多惊喜，推动语音技术走向更高水平。