Qu’est-ce que Qwen3-TTS ?
Qwen3-TTS est une famille de modèles de synthèse vocale ouverts sortie par l'équipe Qwen d'Alibaba le 22 janvier 2026, en tailles 0,6 milliard et 1,7 milliard de paramètres sous Apache 2.0. Elle couvre 10 langues : chinois, anglais, japonais, coréen, allemand, français, russe, portugais, espagnol et italien. Les poids ont été mis à jour pour la dernière fois le 29 janvier 2026, et la gamme hébergée d'Alibaba est depuis passée aux modèles TTS Qwen-Audio-3.x distincts.
Il y a trois déclinaisons. VoiceDesign construit une nouvelle voix à partir d'une description écrite, CustomVoice offre 9 voix préréglées dont le ton peut être dirigé par des instructions, et Base clone une voix à partir de 3 secondes d'audio de référence. Qwen indique que la conception en streaming peut livrer le premier audio après un seul caractère d'entrée, avec une latence de bout en bout aussi basse que 97 ms.
Combien coûte Qwen3-TTS ?
| Offre | Prix | Ce qui est inclus |
|---|---|---|
| Weights | Free | Apache 2.0 |
| qwen3-tts-flash | $0.10 per 10,000 input characters | Alibaba Model Studio (Singapour) ; quota gratuit de 90 jours |
| qwen3-tts-flash-realtime | $0.13 per 10,000 input characters |
Gratuit sous Apache 2.0. Alibaba Model Studio (Singapour) : qwen3-tts-flash à 0,10 $ et qwen3-tts-flash-realtime à 0,13 $ les 10 000 caractères en entrée, avec un quota gratuit de 90 jours.
Qwen3-TTS vaut-il le coup ?
Qwen3-TTS offre le plus large ensemble de contrôles parmi les modèles de parole ouverts, et les protections les plus faibles. La conception de voix à partir d'un prompt écrit et le ton piloté par instruction sont vraiment utiles, et Apache 2.0 supprime la friction de licence. Cette combinaison explique sa portée : le modèle de clonage 1.7B Base à lui seul a attiré environ 2,9 millions de téléchargements Hugging Face le mois dernier, et le modèle CustomVoice environ 2 millions.
Les tests d'écoute indépendants sont moins cléments. Sur l'arène de parole d'Artificial Analysis, le Qwen3 TTS hébergé d'Alibaba se classe quatre-vingt-septième sur 98 à 930 Elo, et le Qwen3 TTS Flash quatre-vingt-sixième à 943. Kokoro, un modèle de 82 millions de paramètres, obtient 1065. Ce sont les versions API, qui peuvent ne pas correspondre exactement aux poids ouverts, et les propres tableaux de taux d'erreur sur les mots de Qwen sont autodéclarés. Le Qwen-Audio-3.1-TTS-Plus plus récent d'Alibaba se situe troisième à 1301, un modèle qu'Alibaba vend via son API plutôt que comme poids Qwen3-TTS.
Les modèles Base clonent une voix à partir de 3 secondes d'audio plus sa transcription, pourtant ni la fiche du modèle ni le README GitHub ne mentionnent le consentement, l'abus ou le filigranage. Chatterbox, en revanche, filigrane chaque clip. Quiconque expose le clonage de Qwen3-TTS au public assume un risque d'usurpation d'identité que le modèle ne fait rien pour réduire.
Les modèles sont assez petits pour être bon marché à faire tourner : le checkpoint 1.7B Base fait environ 1,9 milliard de paramètres, soit environ 4GB en BF16, à portée d'un seul GPU grand public. Le hic est le service. vLLM-Omni ne le prend en charge que pour l'inférence hors ligne jusqu'à présent, si bien qu'un endpoint de production en streaming signifie écrire votre propre serveur autour du paquet qwen-tts.
Là où il fait la différence
Un ingénieur backend dans une appli européenne d'apprentissage des langues
Générer des phrases d'exemple en 10 langues avec des voix cohérentes et descriptibles
Utiliser VoiceDesign pour définir une voix par cours (« enseignant chaleureux, lent, la trentaine ») et générer par lots hors ligne sur un seul GPU. Apache 2.0 signifie pas de frais au caractère ; les classements d'auditeurs suggèrent un plafond de qualité sous les rivaux hébergés.
Un chef de produit dans une startup de livres audio de 20 personnes
Prototyper la narration à bas coût avant de payer une API de voix premium
Générer les brouillons sur le qwen3-tts-flash de Model Studio à 0,10 $ les 10 000 caractères, si bien qu'un roman de 500 000 caractères coûte environ 5 $, puis comparer aux leaders hébergés qui coûtent plusieurs fois plus par caractère.
Un responsable trust-and-safety dans une entreprise d'agents vocaux
Décider s'il faut exposer le clonage de voix en libre-service
Qwen3-TTS Base clone à partir de 3 secondes d'audio et est livré sans flux de consentement ni filigrane, si bien que l'entreprise aurait besoin de sa propre vérification de locuteur, divulgation et journalisation avant le lancement. Le filigrane intégré de Chatterbox est le point de référence.
Avant de vous engager
- Mise en route
- pip install le paquet qwen-tts ; les poids se téléchargent par nom de modèle. Qwen recommande FlashAttention, et sa démo Gradio a besoin de HTTPS pour l'entrée microphone lors du clonage.
- Intégrations
- Paquet Python qwen-tts, Transformers, vLLM-Omni (hors ligne uniquement), API Alibaba Model Studio dans les régions de Singapour et de Pékin.
- Données et confidentialité
- Auto-hébergé sous Apache 2.0, sans restrictions d'usage au-delà de la licence et rien ne quittant vos serveurs. Sur Model Studio, les résultats non-streaming sont renvoyés sous forme d'URL audio valides 24 heures.
- Coût à grande échelle
- Auto-hébergé, le modèle 1.7B fait environ 4GB en BF16 et tient sur un seul GPU grand public. Hébergé, 100 millions de caractères par mois sur qwen3-tts-flash coûtent environ 1 000 $, ou 1 300 $ sur la variante realtime.
- Limites
- 10 langues ; 9 voix préréglées sur CustomVoice ; aucun filigrane ou contrôle d'abus publié ; le service vLLM en ligne pas encore pris en charge ; les modèles hébergés se classent dans les 15 derniers de l'arène d'Artificial Analysis.
Les points forts
- Apache 2.0 en tailles 0,6B et 1,7B, environ 4GB en BF16 pour le plus grand
- Conception de voix à partir d'une description texte, plus 9 voix préréglées dirigeables
- Le Flash hébergé coûte 0,10 $ les 10 000 caractères
- Streaming avec le premier audio après un caractère, selon Qwen
Les points faibles
- Les versions hébergées se classent quatre-vingt-sixième et quatre-vingt-septième sur 98 sur Artificial Analysis
- Clonage en 3 secondes sans vérification de consentement ni filigrane
- vLLM-Omni ne prend en charge que l'inférence hors ligne
- Poids inchangés depuis janvier 2026
Idéal pour
Les développeurs qui construisent des fonctions vocales multilingues et veulent un contrôle fin sous une licence permissive et ajouteront leurs propres garde-fous.
Alternatives à Qwen3-TTS
Qwen3-TTS : questions fréquentes
- Qwen3-TTS vaut-il le coup ?
- Qwen3-TTS donne aux développeurs des contrôles de voix fins et un outil de clonage en trois secondes sans garde-fous, à une qualité que les auditeurs classent près du bas. Nous lui donnons 3.5 sur 5.
- Combien coûte Qwen3-TTS ?
- Gratuit sous Apache 2.0. Alibaba Model Studio (Singapour) : qwen3-tts-flash à 0,10 $ et qwen3-tts-flash-realtime à 0,13 $ les 10 000 caractères en entrée, avec un quota gratuit de 90 jours.
- Quels sont les inconvénients de Qwen3-TTS ?
- Les versions hébergées se classent quatre-vingt-sixième et quatre-vingt-septième sur 98 sur Artificial Analysis; clonage en 3 secondes sans vérification de consentement ni filigrane; vLLM-Omni ne prend en charge que l'inférence hors ligne; poids inchangés depuis janvier 2026.
- À qui s’adresse Qwen3-TTS ?
- Les développeurs qui construisent des fonctions vocales multilingues et veulent un contrôle fin sous une licence permissive et ajouteront leurs propres garde-fous.
- Combien coûte Qwen3-TTS pour une équipe ou en production ?
- Auto-hébergé, le modèle 1.7B fait environ 4GB en BF16 et tient sur un seul GPU grand public. Hébergé, 100 millions de caractères par mois sur qwen3-tts-flash coûtent environ 1 000 $, ou 1 300 $ sur la variante realtime.
- Qwen3-TTS est-il sûr pour les données de l’entreprise ?
- Auto-hébergé sous Apache 2.0, sans restrictions d'usage au-delà de la licence et rien ne quittant vos serveurs. Sur Model Studio, les résultats non-streaming sont renvoyés sous forme d'URL audio valides 24 heures.
- Quelles sont les meilleures alternatives à Qwen3-TTS ?
- Les alternatives les plus proches que nous avons testées sont Chatterbox, Kokoro-82M, Gemini 3.8 Flash TTS et OmniVoice.
Réponses vérifiées le 22 oct. 2026.