引言
2026 年 1 月，阿里巴巴 Qwen 团队发布了 Qwen3-TTS，一个真正好用的开源文本转语音模型。
Qwen3-TTS 是什么？
Qwen3-TTS 是一个支持跨语言工作的开源文本转语音模型（Apache 2.0 许可），基于 500 多万小时的语音数据训练。提供两个版本：
- 1.7B 版本：功能完整，质量最好，需 6-8GB VRAM
- 0.6B 版本：轻量级选项，硬件要求低（4-6GB VRAM）
两个版本均可在 Hugging Face 和 GitHub 获取。1.7B 占 4.54GB，0.6B 占 2.52GB。
Qwen3-TTS 模型规格与参数详解
模型变体对比
| 方面 | 1.7B 模型 | 0.6B 模型 |
|---|---|---|
| 参数数量 | 17 亿 | 6 亿 |
| 存储大小 | 4.54 GB | 2.52 GB |
| 所需 VRAM | 6-8 GB | 4-6 GB |
| 性能表现 | 峰值质量 | 均衡效率 |
| 适用场景 | 生产环境、高质量 | 演示、资源受限 |
核心技术：Qwen3-TTS-Tokenizer-12Hz
Qwen3-TTS 使用自研分词器，在压缩语音的同时保留质量：
- STOI：0.96（可懂度几乎完美）
- UTMOS：4.16（听起来很自然）
- 说话人相似度：0.95（保留声音特征）
- PESQ 宽带：3.21
- PESQ 窄带：3.68
音频质量几乎无损。
Qwen3-TTS 硬件要求详解
GPU 和 VRAM 要求
Qwen3-TTS-1.7B 模型：
- 最低 VRAM：6 GB
- 推荐 VRAM：8 GB
- 最优 VRAM：12+ GB
Qwen3-TTS-0.6B 模型：
