作者｜子川

來源｜AI先鋒官

最近，阿里通義上線了Qwen3-TTS的兩大核心能力——VoiceDesign（VD-Flash）和VoiceClone（VC-Flash）。

此次上新，甩出了兩大核心能力：

• VoiceDesign（VD-Flash）：告別“選音色”，直接用文設(shè)計出聲音。

• VoiceClone（VC-Flash）：僅需3秒，實現(xiàn)跨語言、甚至跨物種的音色克隆。

據(jù)官方披露的數(shù)據(jù)顯示，其生成速度達到了驚人的0.1秒級，且在多項核心指標上，直接超越了OpenAI的GPT-4o-Audio和目前國內(nèi)語音霸主MiniMax。

那它的實際表現(xiàn)如何？我們實際體驗一下。

VoiceDesign（VD-Flash）：用文字“設(shè)計”聲音

過去，你要找一個合適的配音，得在幾十種預(yù)設(shè)音色里反復(fù)試聽，總覺得“差點意思”。

現(xiàn)在，你只需要用自然語言描述你想要的音色，模型就能從無到有地創(chuàng)造出來。

比如，輸入“展現(xiàn)出悲苦沙啞的聲音質(zhì)感,語速偏慢,情緒濃烈且?guī)в锌耷?以標準普通話緩慢訴說,情感強烈,語調(diào)哀怨高亢,音高起伏大。”

能明顯的聽到聲帶因為哽咽而緊繃的摩擦感。每一句的尾音都帶著無法控制的顫抖，效果非常的逼真。

或者輸入一個非常簡潔的指令“邪惡女魔頭”。

效果依舊抗打。

并且紙面實力也不弱，在 InstructTTS-Eval 中，Qwen3-TTS 綜合表現(xiàn)顯著優(yōu)于 GPT-4o-mini-tts、Mimo-audio-7b-instruct，在角色扮演測試中也超越 Gemini-2.5-pro-preview-tts。

VoiceClone（VC-Flash）：3秒音頻，跨語言、跨物種級別的音色克隆。

如果說VoiceDesign是“創(chuàng)造聲音”，那么VoiceClone就是“復(fù)刻聲音”的終極形態(tài)。

只需要上傳一段3-10秒的真人錄音，模型就能捕捉其音色、韻律和發(fā)音特征，生成幾乎一模一樣的克隆語音。

這里克隆一個大家非常熟悉的聲音——雷總的聲音。

原聲參考：

合成文本：

前方3公里施工路段，為您切換滬昆高速。已為您預(yù)約十七點二十分到達高鐵站，出口右轉(zhuǎn)有藍色遮陽棚，導(dǎo)航將持續(xù)為您更新路況。

合成聲音：

可以明顯地感受到，雷總的音色還原度非常高！

它不僅把雷總那股標志性的普通話味兒給復(fù)刻了，甚至連說話時那種“略帶誠懇的語氣”習慣都呈現(xiàn)出來了。

同時 VoiceDesign還有 跨語言能力，比如，你上傳一段自己的中文錄音，模型能讓“你”說出地道的英語、日語或德語，而且保持音色一致性。

比如讓雷總化身英語口語達人，開口說英語。

再換一個，克隆蔡徐坤的聲音。

原聲參考：

合成文本：

大家好，我是蔡徐坤。1998 年出生，舞臺是我的主場，音樂是我的母語。從《偶像練習生》C 位斷層出道，到《Hug me》全網(wǎng)刷屏，我一直用原創(chuàng)作品說話。歌手、制作人、演員，多面身份，一樣熾熱。下一束燈光亮起，我會繼續(xù)用舞臺炸響每一次心跳。請多關(guān)照！

合成聲音：

音色還原度依舊很高！不過 這次會明顯感受到聲音的停頓有些許的不自然。

還有很新奇的“跨物種”克隆功能，簡單來說就是，該模型能捕捉動物叫聲的特征，然后讓它說出人類語言（當然，這更多是娛樂應(yīng)用）。

再來看紙面實力，DoiceClone（VC-Flash）的錯誤率比 ElevenLabs/GPT-4o 低 15%。

以前我們還在糾結(jié)AI聲音不夠自然，或許現(xiàn)在我們可能要開始擔心：電話那頭跟你聊天的，到底是不是真人？

目前，Qwen3-TTS 已在阿里云百煉和魔搭社區(qū)全面上線，感興趣的可以去試玩一番。

掃碼邀請進群，我們帶你一起來玩轉(zhuǎn)ChatGPT、GPT-4、文心一言、通義千問、訊飛星火等AI大模型，順便學一些AI搞錢技能。