老北京、上海话、四川腔全都会！通义千问 TTS 重大升级：300万小时训练，支持七种中英双语音色

大数据文摘出品

近日，Qwen 团队对旗下语音合成模型 Qwen-TTS 进行了重大升级。

此次更新的版本为“qwen-tts-latest”或“qwen-tts-2025-05-22”，通过 Qwen API 即可访问和使用。

最引人注目的改动，是Qwen-TTS首次支持生成三种中文方言：北京话、上海话以及四川话。

这意味着，AI生成的语音不仅可以说普通话，还能自然地模仿出老北京的胡同腔、上海弄堂的吴语味，乃至川蜀乡音中的抑扬顿挫。

这一能力背后，是Qwen-TTS使用了超过300万小时的超大规模语料库进行训练。

不仅如此，Qwen-TTS还能自动根据文本内容，调整语音的韵律、节奏与情绪变化。

这一点尤为关键。它让AI的声音不再是单调死板的“机器合成”，而是能做到抑扬顿挫、声情并茂。

目前，Qwen-TTS 支持七种中英双语音色，涵盖不同语言风格和性格特征。

包括 Cherry、Ethan、Chelsie、Serena 这几位通用中英文配音角色，以及 Dylan（北京话）、Jada（上海话）和 Sunny（四川话）这三位方言专属音色。

每一种音色都可以生成中英文混合语句，语调自然、语速流畅，令人难以分辨其非人类发声。

图源“通义千问Qwen”官方微信号

据悉，Qwen-TTS在 SeedTTS-Eval 评测集上的表现已达到人类平均水平。

无论从流畅性、情感传达、语速掌控还是音质自然度上看，均展现出业内领先的综合能力。

而从开发者角度来看，Qwen-TTS 的使用门槛也被大幅降低。

用户仅需通过 Qwen API，并设置必要的模型名（如“qwen-tts-latest”）与目标音色（如“Dylan”），即可快速合成高质量语音。

官方还提供了完整的Python调用示例。代码逻辑清晰、接口稳定，只需数行，即可将文本转为语音，并自动下载音频文件。

调用方式灵活，支持本地部署与云端调用，适合各类开发者与企业级应用场景。

例如，只需一段简单的文本：“哟，您猜怎么着？今儿个我看NBA，库里投篮跟闹着玩似的”，就能快速生成带有北京味儿的语音内容。

这项能力，在短视频配音、虚拟主播、播客制作、语音小说等领域具有巨大潜力。

更重要的是，Qwen-TTS 的可扩展性极强。

据官方透露，未来还将增加更多语言与语音风格，覆盖更多方言与多语环境。

当然，这也为少数语言保护、多语种翻译、跨境产品本地化等问题提供了新的解决思路。

作者长期关注 AI 产业与学术，欢迎对这些方向感兴趣的朋友添加微信 Q1yezi，共同交流行业动态与技术趋势！