Qwen3-TTS
基于Qwen3大模型的文本转语音模型，主打高准确率、低延迟和低成本，适用于语音助手、有声读物、无障碍工具等场景
时间轴 (近 90 天)
参考音频应为单说话人、无背景音乐、无混响的干净人声，否则零样本音色克隆会引入杂音。
文章使用的 Qwen3-TTS Base 模型不支持指令控制（如指定情感、语气、语速），该能力需要 Qwen 1.7B CustomVoice 或 VoiceDesign 模型、原生运行时支持和 Dart API 三层同时支持才可用。
在 M4 Max 上，Omni 3B 对话生成时间中位数为 171 ms、峰值进程 RSS 为 2.57 GiB；Qwen3.5 0.8B 对话生成时间中位数为 96 ms、峰值进程 RSS 为 1.08 GiB；Qwen3-TTS 1.7B 合成时间为 1.78 秒、峰值进程 RSS 为 3.85 GiB。
在 M4 Max 上，文本路线使用 Omni 3B + TTS 1.7B（4.61 GB）的完整回合中位数耗时为 4.27 秒，峰值进程 RSS 为 3.86 GiB。
小模型对相比原始模型对下载体积减半、峰值内存降低约 35%，但在该试验中完整回合反而更慢。
TTS 的零样本音色克隆并不训练新模型，而是把参考人声编码成说话人嵌入（speaker embedding），在合成时作为条件注入，同一份权重可为不同角色提供不同音色。
Nari推出了基于Qwen3的文本转语音（TTS）和自动语音识别（ASR）两款语音模型
Qwen-Audio-3.0-TTS支持在文本中嵌入内联标签控制语音，示例包括[whisper]、[angry]、[breaths]、[laughs]
全部知识事实 (5)
TTS 的零样本音色克隆并不训练新模型，而是把参考人声编码成说话人嵌入（speaker embedding），在合成时作为条件注入，同一份权重可为不同角色提供不同音色。
50%待验证文章使用的 Qwen3-TTS Base 模型不支持指令控制（如指定情感、语气、语速），该能力需要 Qwen 1.7B CustomVoice 或 VoiceDesign 模型、原生运行时支持和 Dart API 三层同时支持才可用。
50%待验证参考音频应为单说话人、无背景音乐、无混响的干净人声，否则零样本音色克隆会引入杂音。
50%待验证Qwen-Audio-3.0-TTS支持在文本中嵌入内联标签控制语音，示例包括[whisper]、[angry]、[breaths]、[laughs]
50%待验证Nari推出了基于Qwen3的文本转语音（TTS）和自动语音识别（ASR）两款语音模型
60%