阿里通义项目组更新 Qwen-TTS：合成语音自然度接近人类水平

阿里通义实验室通过 Qwen API 发布了最新版本的 Qwen-TTS 语音合成模型（支持 qwen-tts-latest 或 qwen-tts-2025-05-22）。该模型在语音合成领域实现了多项关键突破。

强大训练基础，打造自然语音体验

Qwen-TTS 基于超过 300万小时 的大规模语料库进行训练，其合成语音在自然度和表现力方面已达到类人水平。该模型能够根据输入文本智能调整语调、节奏和情绪变化，使生成语音更加贴近真实说话场景。

此外，Qwen-TTS 还支持三种中文方言的合成：

• 北京话
• 上海话
• 四川话

为多地域语言交互提供了更强的支持能力。

多音色选择，满足多样化需求

目前，Qwen-TTS 提供了七种中英双语音色，适用于不同风格和用途的语音输出：

未来还将推出更多语言选项和风格化音色，进一步拓展适用场景。

性能评估：媲美真人发音

在 SeedTTS-Eval 评测集上的测试显示，Qwen-TTS 在多个核心指标上表现出色，接近甚至超越当前主流语音合成模型：

• WER（词错误率）越低表示识别准确率越高；
• SIM（音色相似度）越高表示合成语音与目标音色越接近。

从数据来看，Cherry 和 Serena 表现出最强的综合能力，尤其在音色还原方面接近真人水平。

应用场景广泛，助力多种业务落地

Qwen-TTS 凭借其高自然度、多语言支持及流式输出能力，可广泛应用于以下场景：

• 在线教育：自动生成课程讲解语音，提升学习效率；
• 电商直播：快速生成带货话术音频，辅助主播运营；
• 智能客服：实现更自然的语音交互体验；
• 无障碍服务：为视障人群提供高质量语音阅读；
• 虚拟助手 / 数字人：增强语音表现力，提升交互沉浸感。