Was ist Qwen3-TTS?
Qwen3-TTS ist eine Familie offener Text-to-Speech-Modelle, die das Qwen-Team von Alibaba am 22. Januar 2026 in den Größen 0,6 und 1,7 Milliarden Parameter unter Apache 2.0 veröffentlicht hat. Sie deckt 10 Sprachen ab: Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch. Die Gewichte wurden zuletzt am 29. Januar 2026 aktualisiert, und Alibabas gehostetes Angebot ist inzwischen zu den separaten TTS-Modellen Qwen-Audio-3.x gewechselt.
Es gibt drei Varianten. VoiceDesign baut aus einer schriftlichen Beschreibung eine neue Stimme, CustomVoice bietet 9 voreingestellte Stimmen, deren Tonfall sich per Anweisung steuern lässt, und Base klont eine Stimme aus 3 Sekunden Referenzaudio. Laut Qwen kann das Streaming-Design schon nach einem einzigen Eingabezeichen das erste Audio liefern, bei einer Gesamtlatenz von nur 97 ms.
Was kostet Qwen3-TTS?
| Tarif | Preis | Was enthalten ist |
|---|---|---|
| Weights | Free | Apache 2.0 |
| qwen3-tts-flash | $0.10 per 10,000 input characters | Alibaba Model Studio (Singapur); kostenloses Kontingent für 90 Tage |
| qwen3-tts-flash-realtime | $0.13 per 10,000 input characters |
Kostenlos unter Apache 2.0. Alibaba Model Studio (Singapur): qwen3-tts-flash 0,10 $ und qwen3-tts-flash-realtime 0,13 $ pro 10.000 Eingabezeichen, mit einem kostenlosen Kontingent für 90 Tage.
Lohnt sich Qwen3-TTS?
Qwen3-TTS bietet unter den offenen Sprachmodellen die breiteste Auswahl an Reglern und den schwächsten Schutz. Voice Design aus einem schriftlichen Prompt und per Anweisung gesteuerter Tonfall sind wirklich nützlich, und Apache 2.0 räumt Lizenzhürden aus dem Weg. Diese Kombination erklärt die Verbreitung: Allein das Klonmodell 1.7B Base kam im vergangenen Monat auf etwa 2,9 Millionen Downloads auf Hugging Face, das CustomVoice-Modell auf etwa 2 Millionen.
Unabhängige Hörtests fallen weniger freundlich aus. In der Sprach-Arena von Artificial Analysis steht Alibabas gehostetes Qwen3 TTS mit 930 Elo auf Platz 87 von 98, Qwen3 TTS Flash mit 943 auf Platz 86. Kokoro, ein Modell mit 82 Millionen Parametern, kommt auf 1065. Das sind die API-Versionen, die den offenen Gewichten nicht genau entsprechen müssen, und Qwens eigene Tabellen zur Wortfehlerrate sind selbst gemeldet. Alibabas neueres Qwen-Audio-3.1-TTS-Plus liegt mit 1301 auf Platz drei, ein Modell, das Alibaba über seine API verkauft und nicht als Qwen3-TTS-Gewichte.
Die Base-Modelle klonen eine Stimme aus 3 Sekunden Audio plus Transkript, doch weder die Modellkarte noch die README auf GitHub erwähnen Einwilligung, Missbrauch oder Wasserzeichen. Chatterbox dagegen versieht jeden Clip mit einem Wasserzeichen. Wer das Klonen mit Qwen3-TTS öffentlich anbietet, übernimmt ein Risiko des Identitätsmissbrauchs, gegen das das Modell nichts unternimmt.
Die Modelle sind klein genug, um günstig zu laufen: Der Checkpoint 1.7B Base hat etwa 1,9 Milliarden Parameter, rund 4GB in BF16, machbar auf einer einzelnen Consumer-GPU. Der Haken ist das Serving. vLLM-Omni unterstützt es bisher nur für Offline-Inferenz, ein Streaming-Endpunkt für den Produktivbetrieb heißt also, einen eigenen Server um das Paket qwen-tts zu schreiben.
Wo es sich lohnt
Ein Backend-Engineer bei einer europäischen Sprachlern-App
Beispielsätze in 10 Sprachen mit einheitlichen, beschreibbaren Stimmen erzeugen
Lege mit VoiceDesign pro Kurs eine Stimme fest ('warm, langsam, Lehrerin Mitte 30') und rendere offline im Batch auf einer GPU. Apache 2.0 heißt keine Gebühren pro Zeichen; die Hörer-Ranglisten deuten auf eine Qualitätsgrenze unterhalb der gehosteten Konkurrenz hin.
Eine Produktmanagerin bei einem Hörbuch-Startup mit 20 Leuten
Erzählstimmen günstig als Prototyp testen, bevor eine Premium-Voice-API bezahlt wird
Rendere Entwürfe mit qwen3-tts-flash in Model Studio für 0,10 $ pro 10.000 Zeichen, ein Roman mit 500.000 Zeichen kostet also etwa 5 $, und vergleiche dann mit den gehosteten Spitzenreitern, die pro Zeichen ein Mehrfaches kosten.
Ein Trust-and-Safety-Verantwortlicher bei einem Unternehmen für Voice-Agenten
Entscheiden, ob Voice Cloning zur Selbstbedienung angeboten wird
Qwen3-TTS Base klont aus 3 Sekunden Audio und kommt ohne Einwilligungsablauf oder Wasserzeichen; das Unternehmen bräuchte vor dem Start also eigene Sprecherverifizierung, Offenlegung und Protokollierung. Das eingebaute Wasserzeichen von Chatterbox ist der Vergleichsmaßstab.
Bevor du dich festlegst
- Einrichtung
- Das Paket qwen-tts per pip installieren; die Gewichte werden über den Modellnamen geladen. Qwen empfiehlt FlashAttention, und seine Gradio-Demo braucht beim Klonen HTTPS für die Mikrofoneingabe.
- Integrationen
- Python-Paket qwen-tts, Transformers, vLLM-Omni (nur offline), API von Alibaba Model Studio in den Regionen Singapur und Peking.
- Daten und Datenschutz
- Selbst gehostet unter Apache 2.0, ohne Nutzungsbeschränkungen über die Lizenz hinaus, und nichts verlässt deine Server. In Model Studio werden Ergebnisse ohne Streaming als Audio-URLs zurückgegeben, die 24 Stunden gültig sind.
- Kosten im großen Maßstab
- Selbst gehostet ist das 1.7B-Modell in BF16 etwa 4GB groß und passt auf eine einzelne Consumer-GPU. Gehostet kosten 100 Millionen Zeichen im Monat mit qwen3-tts-flash etwa 1.000 $, mit der Realtime-Variante 1.300 $.
- Grenzen
- 10 Sprachen; 9 voreingestellte Stimmen bei CustomVoice; keine veröffentlichten Wasserzeichen oder Kontrollen gegen Missbrauch; Online-Serving mit vLLM noch nicht unterstützt; die gehosteten Modelle liegen unter den letzten 15 der Arena von Artificial Analysis.
Was gut ist
- Apache 2.0 in den Größen 0.6B und 1.7B, das größere etwa 4GB in BF16
- Voice Design aus einer Textbeschreibung, dazu 9 steuerbare voreingestellte Stimmen
- Das gehostete Flash kostet 0,10 $ pro 10.000 Zeichen
- Laut Qwen Streaming mit erstem Audio nach einem Zeichen
Was nicht
- Die gehosteten Versionen stehen bei Artificial Analysis auf Platz 86 und 87 von 98
- Klonen aus 3 Sekunden ohne Einwilligungsprüfung oder Wasserzeichen
- vLLM-Omni unterstützt nur Offline-Inferenz
- Gewichte seit Januar 2026 unverändert
Am besten für
Entwickler, die mehrsprachige Sprachfunktionen bauen, feine Kontrolle unter einer freizügigen Lizenz wollen und eigene Schutzmaßnahmen ergänzen.
Alternativen zu Qwen3-TTS
Qwen3-TTS: häufige Fragen
- Lohnt sich Qwen3-TTS?
- Qwen3-TTS gibt Entwicklern feine Stimmregler und ein Klonwerkzeug für drei Sekunden ohne Schutzvorkehrungen, bei einer Qualität, die Hörer fast ans Ende der Rangliste setzen. Wir bewerten es mit 3.5 von 5.
- Was kostet Qwen3-TTS?
- Kostenlos unter Apache 2.0. Alibaba Model Studio (Singapur): qwen3-tts-flash 0,10 $ und qwen3-tts-flash-realtime 0,13 $ pro 10.000 Eingabezeichen, mit einem kostenlosen Kontingent für 90 Tage.
- Welche Nachteile hat Qwen3-TTS?
- Die gehosteten Versionen stehen bei Artificial Analysis auf Platz 86 und 87 von 98; Klonen aus 3 Sekunden ohne Einwilligungsprüfung oder Wasserzeichen; vLLM-Omni unterstützt nur Offline-Inferenz; Gewichte seit Januar 2026 unverändert.
- Für wen eignet sich Qwen3-TTS?
- Entwickler, die mehrsprachige Sprachfunktionen bauen, feine Kontrolle unter einer freizügigen Lizenz wollen und eigene Schutzmaßnahmen ergänzen.
- Was kostet Qwen3-TTS für ein Team oder im Produktivbetrieb?
- Selbst gehostet ist das 1.7B-Modell in BF16 etwa 4GB groß und passt auf eine einzelne Consumer-GPU. Gehostet kosten 100 Millionen Zeichen im Monat mit qwen3-tts-flash etwa 1.000 $, mit der Realtime-Variante 1.300 $.
- Ist Qwen3-TTS sicher für Firmendaten?
- Selbst gehostet unter Apache 2.0, ohne Nutzungsbeschränkungen über die Lizenz hinaus, und nichts verlässt deine Server. In Model Studio werden Ergebnisse ohne Streaming als Audio-URLs zurückgegeben, die 24 Stunden gültig sind.
- Was sind die besten Alternativen zu Qwen3-TTS?
- Die nächsten Alternativen, die wir getestet haben, sind Chatterbox, Kokoro-82M, Gemini 3.8 Flash TTS und OmniVoice.
Antworten geprüft am 22. Okt. 2026.