AWS推出Qwen3-TTS-12Hz-1.7B-Base：基于Amazon SageMaker的实时语音克隆解决方案

摘要：AWS通过Amazon SageMaker平台正式上线了Qwen3-TTS-12Hz-1.7B-Base模型，这是一款支持实时语音克隆的开源文本到语音（TTS）模型。该模型支持多语言语音克隆，能够从简短音频样本中捕捉说话人的声音特征，并生成跨语言的个性化语音内容。开发者可以利用Amazon SageMaker的托管服务快速部署模型，并利用其自动扩展和监控功能优化资源使用。

---

核心功能与优势

• 实时语音克隆：Qwen3-TTS-12Hz-1.7B-Base支持从简短音频样本中捕捉说话人的声音特征，并生成高质量的语音内容。
• 多语言支持：该模型覆盖10种语言，包括中文、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。
• 跨语言语音克隆：用户可以使用一种语言的音频样本生成另一种语言的语音，同时保留说话人的声音特征。
• 托管部署：通过Amazon SageMaker，用户可以快速部署模型，并利用其自动扩展、监控和GPU资源管理功能，无需手动管理底层基础设施。

技术亮点

1. 高效的资源利用：模型分为talker和code2wav两个阶段，共同运行在单个GPU上，通过合理配置GPU内存利用率（建议设置为0.45），确保模型在24GB GPU上高效运行。
2. 低延迟生成：采用流式生成技术，支持低延迟、交互式语音合成场景。
3. 易于集成：Amazon SageMaker提供了预构建的容器和SDK，简化了模型的部署和调用过程。

应用场景

• 内容本地化：在保留原始说话人声音的同时，将内容翻译成多种语言。
• 客户体验：为联络中心和虚拟助手提供一致的品牌语音。
• 电子学习和有声书：以特定讲师或作者的声音呈现长篇内容。
• 创意原型设计：在录音室制作前测试对话和旁白。
• 实时对话式AI：支持流式语音识别和低延迟合成，用于交互式语音代理。

部署步骤

1. 模型部署：使用Amazon SageMaker JumpStart部署Qwen3-TTS-12Hz-1.7B-Base模型，配置GPU内存利用率。
2. 测试端点：调用部署的端点，传入目标文本和参考音频，生成克隆语音。
3. 监控与优化：利用Amazon CloudWatch监控端点性能，并根据需求调整实例类型和数量。

开发者建议

• 音频预处理：建议将参考音频转换为24kHz单声道WAV格式，以获得最佳效果。
• 请求管理：对于长文本内容，建议将文本拆分为多个请求，以确保语音的一致性。
• 成本控制：根据实际使用情况选择合适的实例类型，并利用自动扩展功能优化成本。

结论

Qwen3-TTS-12Hz-1.7B-Base的推出为开发者提供了一种高效、灵活的语音克隆解决方案。通过Amazon SageMaker的托管服务，用户可以轻松集成和应用该模型，实现个性化的语音生成和多语言内容本地化。

---

消息来源：AWS Machine Learning Blog (2026-09-25)

—— 完 ——

主题标签： #AWS #Qwen3-TTS #语音克隆 #Amazon SageMaker #多语言