模型找得到，
下载更顺手。

Qwen3-TTS是一个文本转语音模型，支持根据文本生成自然语音。该模型涵盖10种主要语言（中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语）以及多种方言语音档案，可满足全球应用需求。 模型具备强大的上下文理解能力，能够根据指令和文本语义自适应控制语调、语速和情感表达，并对噪声输入文本具有显著增强的鲁棒性。 核心特性包括：基于自研Qwen3-TTS-Tokenizer-12Hz实现高效声学压缩和高维语义建模，充分保留副语言信息和声学环境特征；采用离散多码

Qwen3-TTS-12Hz-0.6B-Base Qwen3-TTS是一款先进的多语言可控文本转语音模型，支持语音克隆和描述性控制。该模型基于超过500万小时的多语言语音数据训练而成，可生成自然流畅的语音输出。 支持10种主要语言：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语，同时支持多种方言语音档案。采用自研Qwen3-TTS-Tokenizer-12Hz tokenizer实现高效声学压缩和高维语义建模。使用离散多码本LM架构实现全信息端到端语音

Qwen3-TTS-Tokenizer-12Hz 是一个语音分词器模型，用于将输入语音编码为离散token进行存储或传输，并可将token解码回语音。该模型出自 Qwen3-TTS 技术报告。 极端比特率压缩：采用12.5 Hz、16层多码本设计，实现高效声学压缩和高维语义建模。 超低延迟流式生成：基于创新双轨混合流式生成架构，输入单个字符后即可立即输出首个音频数据包，端到端合成延迟最低可达97毫秒。

Qwen3-TTS-12Hz-0.6B-CustomVoice Qwen3-TTS是一款先进的多语言、可控、稳健的流式文本转语音模型。该特定版本为0.6B CustomVoice变体，基于12Hz分词器，支持9种优质音色，并可通过自然语言指令对目标语音进行细粒度风格控制。 多语言合成：支持中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语。

Qwen3-TTS是阿里云通义千问团队开发的一系列强大语音生成模型，提供语音克隆、语音设计、超高质量类人语音生成以及基于自然语言的语音控制等功能。 支持10种主要语言（中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语）以及多种方言。采用自研的Qwen3-TTS-Tokenizer-12Hz实现高效声学压缩和高维语义建模。使用离散多码本LM的通用端到端架构，绕过传统信息瓶颈。支持极低延迟流式生成，端到端合成延迟可低至97毫秒。支持自然语言指令驱动的语音生成

Qwen3-ASR系列包含Qwen3-ASR-1.7B和Qwen3-ASR-0.6B两款模型，支持52种语言和方言的语言识别与语音转写。两款模型均基于大规模语音训练数据和Qwen3-Omni基础模型的强大音频理解能力构建。实验表明，1.7B版本在开源ASR模型中达到领先水平，性能可与最强的商业API相媲美。 一体化识别：支持30种语言和22种中文方言的识别，同时支持多个国家和地区的英语口音。 高质量快速识别：在复杂声学环境和挑战性文本模式下保持高质量和稳健的识别能力。1.7B

Qwen3-ASR 是阿里云推出的自动语音识别（ASR）模型系列，包含 Qwen3-ASR-1.7B 和 Qwen3-ASR-0.6B 两个版本。该系列支持52种语言和方言的语种识别与语音转写，并提供 Qwen3-ForcedAligner-0.6B 强制对齐模型用于时间戳预测。 语音识别：支持30种语言和22种中文方言的语音识别，包括普通话、英语、粤语及多种英语口音。支持处理语音、歌唱声、带背景音乐的歌曲等音频类型。

Qwen3-ASR 是阿里云推出的自动语音识别（ASR）模型系列，包含两个规格：Qwen3-ASR-1.7B（17亿参数）和 Qwen3-ASR-0.6B（6亿参数）。该系列模型支持52种语言和方言的语音识别与语言识别功能。此外还提供 Qwen3-ForcedAligner-0.6B 强制对齐模型，用于预测语音中任意单元的时间戳。 支持30种语言（包括中文、英语、阿拉伯语、德语、法语、西班牙语、葡萄牙语、印尼语、意大利语、韩语、俄语、泰语、越南语、日语、土耳其语、印地语、马来

Qwen3-ASR（Transformers原生） Qwen3-ASR系列包含Qwen3-ASR-1.7B和Qwen3-ASR-0.6B两款模型，支持52种语言和方言的语言识别与语音转写。两款模型均基于大规模语音训练数据和基础模型Qwen3-Omni的强大音频理解能力构建。1.7B版本在开源ASR模型中达到先进水平，性能可与最强的商业API相竞争。 一体化识别：支持30种语言和22种中文方言的识别，包括多国和地区的英语口音。

Qwen3-ASR系列包含Qwen3-ASR-1.7B和Qwen3-ASR-0.6B两个版本，支持52种语言和方言的语音识别与语言识别。两个模型均基于大规模语音训练数据构建，并继承了基础模型Qwen3-Omni强大的音频理解能力。1.7B版本在开源ASR模型中达到领先水平，性能可与最强的商业闭源API相媲美。 全能识别：支持30种语言和22种中文方言的语音识别，包括多国和地区的英语口音。 高效快速：在复杂声学环境下具有高质量且鲁棒的识别能力。Qwen3-ASR-0.6B在并发