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 OpenBayes 官网的教程版块，点击下方链接即可体验一键部署教程 ⬇️
教程链接：
Demo 运行
01
Demo 运行阶段
1.登录 OpenBayes.com，在「公共教程」页面，选择「Qwen3-TTS：高质量可控多语言语音合成 Demo」教程。
2.页面跳转后，点击右上角「克隆」，将该教程克隆至自己的容器中。
3.选择「NVIDIA GeForce RTX 5090」以及「PyTorch」镜像，按照需求选择「按量付费」或「包日/周/月」，点击「继续执行」。新用户使用下方邀请链接注册，即可获得满 ¥10 赠 ¥10 优惠券，更有机会获得 ¥15 赠金！
小贝总专属邀请链接（直接复制到浏览器打开）：
4.等待分配资源，当状态变为「运行中」后，点击「打开工作空间」进入 Jupyter Workspace。
02
效果演示
页面跳转后，点击左侧 README 页面，进入后点击上方「运行」。
待运行完成，即可点击右侧 API 地址跳转至 demo 页面。
教程链接：