阿里通义qwen团队近日发布了其最新的旗舰级多语言、多音色文本转语音模型——qwen3-tts-flash。该模型不仅支持多种语言和音色输出，还覆盖了包括普通话及闽南语、吴语、粤语、四川话、北京话、南京话、天津话、陕西话在内的9种汉语方言，展现出强大的语言适应能力。
在性能表现上，Qwen3-TTS-Flash已在seed-tts-eval与MiniMax多语测试集中展现出卓越的语音稳定性与音色相似度，达到当前最先进的SOTA水平。同时，官方已同步推出API接口、在线Demo以及多段音频样例，方便开发者和用户快速体验。
据团队介绍，Qwen3-TTS-Flash在语音质量和一致性方面经过全面评测，在多项关键指标上均优于现有主流模型。
在seed-tts-eval测试集上的评估显示，Qwen3-TTS-Flash在中文和英文的语音稳定性方面均取得了最佳表现，明显优于SeedTTS、MiniMax以及GPT-4o-Audio-Preview等模型。
此外，在MiniMax多语言TTS测试集上，Qwen3-TTS-Flash在中文、英文、意大利语和法语的词错误率（WER）上均达到最低水平，显著优于MiniMax、ElevenLabs和GPT-4o-Audio-Preview。在说话人相似度方面，其在英文、意大利语和法语上的得分也全面领先，充分体现了其在多语言场景下的高质量合成能力。
作为一款统一架构的旗舰级语音合成模型，Qwen3-TTS-Flash支持17种不同音色，每种音色均可生成10种语言的语音内容。除中文方言外，模型还支持英式、美式及其他地区口音的英语，并涵盖法语、德语、俄语、意大利语、西班牙语、葡萄牙语、日语和韩语等多种国际语言。
功能层面，Qwen3-TTS-Flash具备自动语气调节、强鲁棒性的文本预处理机制以及跨语种混合生成能力，能够应对复杂多变的实际应用场景。在推理效率方面，该模型表现出色：单并发情况下首包延迟低至97ms，满并发时为420ms，实时因子（RTF）最低可达0.30，兼顾了高质与高效。
