在线教程丨基于500万小时语音数据，Qwen3-TTS实现3秒语音克隆及精细调控-优快云博客

当生成式 AI 不再局限于「生成文字」，而是开始真正「发出声音」，语音就从信息通道升级为可编程、可塑造的表达媒介。从跨语种内容创作到实时语音助手，从虚拟主播到沉浸式交互系统，文本转语音（TTS）正在成为多模态模型体系中的核心一环。但要让机器说得自然、稳定、可控，并在流式场景下保持毫秒级响应，背后考验的不只是声学建模能力，更是架构设计与系统优化的综合实力。

在这一技术演进路径上，新一代模型开始尝试突破传统 TTS 的边界——不仅追求更高保真度，还强调多语言泛化能力与精细化控制能力。由 Qwen 团队日前开源的 Qwen3-TTS 便是基于双轨语言模型（LM）架构，在实时语音合成的同时，也可对输出语音进行细粒度调控。

具体而言，Qwen3-TTS 支持 3 秒语音克隆与基于描述的语音控制，其在覆盖 10 种语言、总计超过 500 万小时的语音数据上进行训练，同时还配备两种语音分词器（speech tokenizer）：

* Qwen-TTS-Tokenizer-25Hz：采用单码本（single-codebook）编解码器，侧重语义内容表达，可与 Qwen-Audio 无缝集成，并通过基于分块（block-wise）的 DiT 实现流式波形重建。

* Qwen-TTS-Tokenizer-12Hz：实现极致码率压缩与超低延迟流式输出，基于 12.5Hz、16 层多码本设计以及轻量级因果卷积网络（causal ConvNet），可实现 97 毫秒的首包即时输出。

大量实验结果表明，该系列模型在 TTS 多语言测试集、InstructTTSEval 等多项客观与主观基准测试中，均达到 SOTA 水平。

目前，「Qwen3-TTS：高质量可控多语言语音合成 Demo」已上线至 HyperAI超神经官网的「教程」板块，快来体验 3 秒语音克隆吧！

在线教程：

https://go.hyper.ai/1xEOr

查看论文：

https://go.hyper.ai/1X1F4

Demo 运行

1.进入 hyper.ai 首页后，选择「教程」页面，或点击「查看更多教程」，选择「Qwen3-TTS：高质量可控多语言语音合成 Demo」，点击「在线运行此教程」。

2.页面跳转后，点击右上角「Clone」，将该教程克隆至自己的容器中。

注：页面右上角支持切换语言，目前提供中文及英文两种语言，本教程文章以英文为例进行步骤展示。

3.选择「NVIDIA GeForce RTX 5090」以及「PyTorch」镜像，按照需求选择「Pay As You Go（按量付费）」或「Daily Plan/Weekly Plan/Monthly Plan（包日/周/月）」，点击「Continue job execution（继续执行）」。

HyperAI 为新用户准备了注册福利，仅需 $1，即可获得 20 小时 RTX 5090 算力（原价 $7），资源永久有效。