近日，阿里巴巴云计算的 Qwen 团队发布了两款全新的人工智能模型，旨在通过文本指令生成或克隆声音。其中，Qwen3-TTS-VD-Flash 模型允许用户根据详细描述生成声音，用户可以精确定义声音的特征，如情感和说话节奏。

例如，用户可以请求生成一个 “中年男性，洪亮的男中音 —— 充满活力的广告解说，快速的语速，夸张的音调变化，充满销售魅力的声音”。根据制造商的说法，该模型在性能上超过了 OpenAI 最近推出的 GPT-4o mini-tts API。

第二款模型 Qwen3-TTS-VC-Flash，则可以仅通过三秒的音频复制声音，并能在十种语言中进行复现。Qwen 声称，该模型的错误率低于竞争对手，例如 Elevenlabs 或 MiniMax。

此外，该 AI 还能够处理复杂的文本，模仿动物声音，并从录音中提取声音。两款模型均可通过阿里巴巴云的 API 访问，用户还可以在 Hugging Face 平台上尝试设计模型和克隆模型的演示。

划重点: