通义千问语音合成模型以 300 万+小时 训练数据实现人类级别自然度与表现力，支持北京话、上海话、四川话三种方言生成，在 SeedTTS-Eval 评测中多项指标达到业界领先水平，成为首个以大规模语料自然习得方言特征的国产语音合成系统。
Qwen-TTS 使用了超过 300 万小时 的大规模语料库进行训练，合成效果实现了人类级别的自然度和表现力。与传统的拼接合成或参数合成不同，它会根据输入文本自动调整韵律、节奏和情绪变化——这意味着同一句话，放在不同语境下说出来，语气截然不同。
注：训练语料包含中英文混合语音数据，方言数据通过大规模自然对话语料覆盖，非人工标注合成。
7 种音色，各有各的「声」份。
注：前四种为标准中英双语音色，后三种为方言音色。每种音色均支持中英混合输入，方言音色在中文方言文本上表现最优。
Qwen-TTS 的方言能力不是简单的「口音滤镜」——它能够理解方言特有的词汇、语序和语气词，并以该方言的自然节奏说完整段话。以下是三种方言的生成示例：
注：以上文本为模型实际生成内容，非人工标注。方言自然度由 SeedTTS-Eval 评测及人工听测双重验证。
自然度不只是主观感受。Qwen-TTS 在 SeedTTS-Eval 评测集上完成了严格的客观测试，核心指标包括词错误率（WER，越低越好）和音色相似度（SIM，越高越好）。以下为四种标准音色的中文评测结果：
注：WER 越低越好，SIM 越高越好。Cherry 在 WER 上表现最优（1.209%），Serena 在 SIM 上表现最优（0.804）。柱形条为相对比例示意，非绝对缩放。评测数据来自 SeedTTS-Eval 标准测试集。
在英文及困难（hard）测试集上，Qwen-TTS 同样表现稳定——Cherry 在英文 WER 上达到 1.967%，hard 集 WER 为 6.069%，均为同级别最佳水平之一。
Qwen-TTS 已通过 Qwen API 开放，最新版本为 qwen-tts-latest（或 qwen-tts-2025-05-22）。开发者只需几行代码即可完成语音合成：
支持 7 种音色 自由切换，输入文本自动识别方言特征——如果用北京话文本搭配 Dylan 音色，输出就是纯正京腔；如果用四川话文本搭配 Sunny 音色，输出就是地道川音。目前 API 已全面开放，无需申请白名单。
注：以上代码为简化示例，完整版包含异常处理与音频下载。API 密钥通过环境变量 DASHSCOPE_API_KEY 配置。
语音合成技术在过去十年经历了从「拼接合成」到「参数合成」再到「神经网络合成」的跃迁，但方言合成始终是一个被低估的难题。大多数系统只能做「带口音的普通话」，而非真正的方言。
Qwen-TTS 的关键突破在于：它没有专门标注方言数据，而是通过 300 万小时的大规模自然对话语料，让模型自主习得了方言的韵律、词汇和语气特征。这意味着方言能力不是「打补丁」打上去的，而是从数据中生长出来的。
需要大量方言标注数据，人工设计口音规则，合成结果生硬，更像「方言朗读」而非「方言说话」。
端到端学习，从大规模自然对话中习得方言特征，无需人工规则，输出自然如同真人聊天。
但一个诚实的注脚：目前仅覆盖三种方言，中国有 七大方言区、数十种次方言。从「三种」到「全覆盖」，还有很长的路。
方言合成是语音技术从「能听会说」走向「真正理解」的关键分水岭。Qwen-TTS 证明了大规模语料训练可以自然习得方言特征，这条路径比人工设计规则更可持续——但覆盖中国七大方言区，才是真正的里程碑。
Qwen-TTS 已通过 Qwen API 全面开放，最新版本 qwen-tts-latest 即开即用。支持 7 种音色、3 种方言，中英双语混合输入。
Qwen API → 选择语音合成注：实际体验请访问通义千问官方文档，搜索「Qwen-TTS」获取 API 密钥与调用指引。