Herbst 2026 · Aus der Tranquility-Basis
Ins Mondstudio ↗
KI-Tools

Qwen3-TTS: Stimme klonen mit KI, 10x schneller auf Intel-GPU

Stimme klonen mit 8 s Aufnahme: unter 20 s pro Satz auf der Intel-iGPU, 10x schneller als die CPU. Praxistest: XPU, Sprachen, Stimmen.

In der Werkstatt der Mondbasis sitzt ein Astronaut vor einem Laptop; der Chip im Laptop leuchtet orange, und Schallwellen fliegen zu einem Lautsprecher und einem kleinen Roboter mit Stoppuhr
In der Werkstatt der Mondbasis sitzt ein Astronaut vor einem Laptop; der Chip im Laptop leuchtet orange, und Schallwellen fliegen zu einem Lautsprecher und einem kleinen Roboter mit Stoppuhr

Dies ist der dritte Beitrag meiner Serie über Open-Source-TTS (Text-to-Speech). In „Kokoro TTS und Chatterbox: KI-Stimme kostenlos für Spiele“ habe ich einen Überblick gegeben, und im letzten Beitrag „CosyVoice 3: Stimme klonen mit KI, kostenlos und auf der CPU“ ging es um Stimmklonen, das sogar allein auf der CPU funktioniert. Diesmal ist Qwen3-TTS an der Reihe.

Im Überblicksbeitrag habe ich das Stimmklonen von Qwen3-TTS auf der CPU laufen lassen: Für einen einzigen Satz musste ich über 4 Minuten warten. Mein Fazit damals: „Wer viele Sätze mit einer geklonten Stimme erzeugen will, braucht eine NVIDIA-Grafikkarte.“ Diesmal habe ich die integrierte Intel-Grafik (iGPU) meines Laptops genutzt, und die Erzeugung desselben Satzes dauert nur noch 16–18 Sekunden. In diesem Test war das mehr als 10-mal so schnell, und zwar ohne den Quellcode des Pakets anzufassen. Eine Einschränkung: Beim CPU-Test liefen nebenbei noch andere Programme, beim iGPU-Test gab es keine andere Last. In diesem Beitrag beschreibe ich die Installation für die Intel-iGPU (PyTorch XPU) und zeige anhand meiner eigenen Stimme, wie das Stimmklonen in der Praxis funktioniert.

Was ist Qwen3-TTS? Darf man es kommerziell nutzen?

Qwen3-TTS ist eine Familie von Sprachgenerierungsmodellen, die das Qwen-Team (Tongyi Qianwen) von Alibaba am 22. Januar 2026 als Open Source veröffentlicht hat. Die folgenden Angaben stammen von GitHub und der Modellseite auf Hugging Face, abgerufen am 21.11.2026:

Punkt

Details

Lizenz

Apache-2.0, kommerzielle Nutzung erlaubt

Größe

0,6B (600 Millionen Parameter) und 1,7B (1,7 Milliarden Parameter)

Sprachen

Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch, Italienisch: insgesamt 10

Stimmklonen

Laut Hersteller reichen 3 Sekunden Referenzaudio

Trainingsdaten

laut technischem Bericht über 5 Millionen Stunden Sprache in 10 Sprachen

Installation

pip install -U qwen-tts (bei mir Version 0.1.1)

Drei Modelle: Base, CustomVoice, VoiceDesign

Qwen3-TTS gibt es je nach Einsatzzweck in drei Varianten. Das „12Hz“ im Namen bezieht sich auf den verwendeten Sprach-Encoder:

Modell

Einsatz

0,6B

1,7B

Tonfall per Anweisung steuern

Base

Stimmklonen, auch als Basis fürs Fine-Tuning

Ja

Ja

Nein

CustomVoice

9 eingebaute Stimmen

Ja

Ja

Nur mit 1,7B

VoiceDesign

Neue Stimme aus einer Textbeschreibung entwerfen

Nein

Ja

Ja

In diesem Beitrag verwende ich durchgehend 0,6B. Die Downloads von Base und CustomVoice auf Hugging Face sind jeweils etwa 2,4 GB groß.

Die 9 eingebauten Stimmen

Die eingebauten Stimmen von CustomVoice (laut offizieller Beschreibung, von mir übersetzt):

Name

Stimme

Muttersprache

Vivian

Helle junge Frauenstimme mit individuellem Charakter

Chinesisch

Serena

Warme, sanfte junge Frauenstimme

Chinesisch

Uncle_Fu

Reife Männerstimme, tief und voll

Chinesisch

Dylan

Junge Männerstimme mit Pekinger Akzent

Chinesisch (Pekinger Dialekt)

Eric

Lebhafte Männerstimme aus Chengdu, leicht heiser

Chinesisch (Sichuanesisch)

Ryan

Männerstimme mit ausgeprägtem Sprechrhythmus

Englisch

Aiden

Fröhliche amerikanische Männerstimme

Englisch

Ono_Anna

Verspielte, leichte Frauenstimme

Japanisch

Sohee

Warme, gefühlvolle Frauenstimme

Koreanisch

Laut Hersteller klingt jede Stimme in ihrer Muttersprache am besten; sprechen kann aber jede Stimme alle 10 Sprachen.

Systemanforderungen: Läuft es ohne NVIDIA-Grafikkarte?

Ja. Die offiziellen Beispiele verwenden alle device_map="cuda:0" zusammen mit bfloat16 und FlashAttention 2, und weder auf GitHub noch auf der Modellseite ist von CPU oder Intel-Grafik die Rede. In der Praxis läuft das Modell aber sowohl auf der CPU als auch auf der Intel-iGPU.

Mein Laptop hat einen Intel Core Ultra 5 322 (6 Kerne) mit integrierter Panther-Lake-Grafik und keine dedizierte Grafikkarte. Mit 0,6B habe ich meine eigene Stimme geklont und damit jeweils denselben etwa 6 Sekunden langen chinesischen Satz erzeugt (in vereinfachtem Chinesisch eingegeben):

Hardware

Generierungszeit

Zeitfaktor (kleiner = schneller)

CPU (6 Kerne)

ca. 270 s

ca. 42

Intel-iGPU (PyTorch XPU)

16–18 s

2,7–3,0

Intel-iGPU mit bfloat16

ca. 12 s

ca. 2,2

Der Zeitfaktor ist die Generierungszeit geteilt durch die Länge des Audios: 3,0 bedeutet, dass 1 Sekunde Sprache 3 Sekunden Rechenzeit braucht.

Auf der CPU habe ich zweimal gemessen, einmal 272 und einmal 402 Sekunden. Während der Messungen liefen noch andere Programme, was die große Abweichung erklärt. Beide Male waren es aber mehr als 4,5 Minuten. Auf der iGPU habe ich ohne andere Last gemessen und denselben Satz dreimal hintereinander erzeugt: Beim ersten Mal muss zunächst kompiliert werden. Die erste Generierung dauerte etwa 20 Sekunden, die folgenden jeweils 16–18 Sekunden.

Dazu kommen 6–10 Sekunden zum Laden des Modells. Die eingebauten Stimmen (CustomVoice) sind auf der iGPU ähnlich schnell: Ein etwa 8 Sekunden langer Satz braucht 18–20 Sekunden.

Im Vergleich zu CosyVoice 3 aus dem letzten Beitrag ist Qwen3-TTS beim Stimmklonen auf der iGPU etwa doppelt so schnell. Ich habe mit derselben Aufnahme und denselben zwei Sätzen verglichen: Qwen3-TTS braucht 16–28 Sekunden pro Satz, CosyVoice 3 29–61 Sekunden. (Der Zeitfaktor 2,5 im CosyVoice-3-Beitrag gilt für den sprachübergreifenden Modus ohne Transkript, der schneller ist als das Klonen mit Transkript.) Auf der CPU ist der Abstand noch größer: CosyVoice 3 klont einen Satz in etwa zwei Minuten, Qwen3-TTS braucht über 4,5 Minuten. Wer mit Qwen3-TTS Stimmen klonen will, kommt um die iGPU kaum herum.

Qwen3-TTS installieren (CPU-Version)

Meine Umgebung: Linux (Arch). Meine Python-Umgebungen verwalte ich mit uv. Der Hersteller empfiehlt eine frische Umgebung mit Python 3.12.

mkdir -p ~/tools/qwen3-tts && cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv
VIRTUAL_ENV=.venv uv pip install --index-url https://download.pytorch.org/whl/cpu torch torchaudio
VIRTUAL_ENV=.venv uv pip install qwen-tts soundfile

torch installiere ich zuerst aus der CPU-Quelle von PyTorch. Unter Linux wird sonst standardmäßig die Version mit CUDA heruntergeladen, die mehrere GB mehr Platz braucht.

Der Hersteller empfiehlt außerdem FlashAttention 2 zur Beschleunigung. Das ist aber optional und braucht eine passende Grafikkarte; CPU und Intel-iGPU nutzen es nicht. Diesen Schritt kann man also überspringen.

Den ersten Satz erzeugen

import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

# Stimmklonen: Base-Modell + Referenzaudio + Transkript des Referenzaudios
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Zu sprechender Text", language="Chinese",
                                  ref_audio="ref.wav", ref_text="Was im Referenzaudio gesagt wird")
sf.write("out.wav", wavs[0], sr)

Beim ersten Start wird das Modell automatisch von Hugging Face heruntergeladen. Für die eingebauten Stimmen nimmt man das CustomVoice-Modell:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="Zu sprechender Text", speaker="Uncle_Fu", language="Chinese")

Bei language kann man einen Sprachnamen wie Chinese, English oder Japanese angeben oder mit Auto das Modell selbst entscheiden lassen.

Beschleunigen mit der Intel-iGPU (PyTorch XPU)

Das ist der Kern dieses Beitrags. Das PyTorch-Backend für Intel-Grafik heißt XPU, und über die offizielle Quelle gibt es eine fertige XPU-Version, die man nicht selbst kompilieren muss.

Laut der offiziellen XPU-Dokumentation von PyTorch werden die dedizierten Arc-Grafikkarten der A- und B-Serie unterstützt sowie die integrierte Grafik der Core-Ultra-Prozessoren: Meteor Lake, Arrow Lake, Lunar Lake und Panther Lake. Als Betriebssysteme werden Windows 11 und Ubuntu genannt (Panther Lake braucht Ubuntu 26.04). Ich nutze Arch Linux, das nicht auf der Liste steht, und trotzdem läuft alles.

Für die iGPU lege ich eine eigene Umgebung an und lasse die CPU-Umgebung unverändert.

1. Intels Compute-Treiber installieren

Ein normales Desktop-System hat nur den Grafiktreiber für die Anzeige. Damit PyTorch auf der Grafikeinheit rechnen kann, braucht es zusätzlich Intels Compute-Treiber (Level Zero). Unter Arch Linux:

sudo pacman -S intel-compute-runtime

2. PyTorch in der XPU-Version installieren

cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv-xpu
VIRTUAL_ENV=.venv-xpu uv pip install --index-url https://download.pytorch.org/whl/xpu torch torchaudio
.venv-xpu/bin/python -c "import torch; print(torch.xpu.is_available(), torch.xpu.get_device_name(0))"

Erscheint True Intel(R) Graphics, wurde die iGPU erkannt. Bei mir wurde PyTorch 2.15.0 installiert.

3. torch-Version festlegen, dann qwen-tts installieren

Bei der Installation von qwen-tts wird auch torch geprüft. Lässt man den Paketmanager frei wählen, ersetzt er die gerade installierte XPU-Version womöglich durch eine Standardversion. Deshalb schreibe ich zuerst eine Constraints-Datei, die die Versionen festlegt:

cat > xpu-constraints.txt <<'EOF'
torch==2.15.0+xpu
torchaudio==2.11.1+xpu
EOF

VIRTUAL_ENV=.venv-xpu uv pip install -c xpu-constraints.txt \
  --index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/xpu \
  qwen-tts soundfile

Die Versionsnummern ersetzt ihr durch die, die bei euch tatsächlich installiert wurden (nachzusehen mit uv pip list). --index-strategy unsafe-best-match erlaubt uv, Pakete gleichzeitig aus PyPI und der XPU-Quelle von PyTorch zu wählen.

Bei CosyVoice 3 gab es an dieser Stelle einen triton-Konflikt: openai-whisper installiert nebenbei eine alte triton-Version, die das für XPU nötige triton-xpu überschreibt. Qwen3-TTS braucht openai-whisper nicht, deshalb trat das Problem diesmal nicht auf. Wer trotzdem die Fehlermeldung cannot import name 'make_tensordesc_args' sieht, findet die Lösung im letzten Beitrag.

4. device_map auf xpu setzen

Hier liegt der größte Unterschied zu CosyVoice 3. Der CosyVoice-Code kennt nur CUDA, also musste ich das Modell erst auf der CPU laden und dann von Hand auf die iGPU verschieben. Qwen3-TTS lädt Modelle auf dieselbe Weise wie Hugging Face transformers, deshalb reicht es, device_map auf "xpu" zu setzen, ohne den Quellcode des Pakets zu ändern:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="xpu", dtype=torch.float32)

dtype legt den Datentyp und damit die Rechengenauigkeit des Modells fest. float32 ist ein 32-Bit-Gleitkommaformat: genau, aber langsamer und speicherhungriger. bfloat16 nutzt nur 16 Bit: schneller und sparsamer, aber ungenauer. Die offiziellen Beispiele verwenden dtype=torch.bfloat16.

Normalerweise nutze ich float32, habe aber auch bfloat16 ausprobiert: Derselbe Satz brauchte statt 16–18 nur noch etwa 12 Sekunden, und die Überprüfung per Spracherkennung (Whisper) ergab, dass der Inhalt stimmte. Allerdings waren die beiden Audiodateien unterschiedlich lang (5,3 Sekunden mit bfloat16, 6,0 Sekunden mit float32); das sollte man beim Geschwindigkeitsvergleich im Hinterkopf behalten.

Der Klangunterschied zwischen den beiden Versionen ist sehr gering; man muss genau hinhören, um ihn zu bemerken. Auf der Intel-iGPU empfehle ich deshalb, direkt bfloat16 zu nehmen; in diesem Test spart das pro Satz noch einmal etwa 30 % Zeit.

Die erste Generierung auf der iGPU ist langsamer, weil zuerst kompiliert wird; danach laufen weitere Generierungen im selben Programmlauf mit normaler Geschwindigkeit. Wer viele Sätze erzeugen will, sollte daher das Modell nur einmal laden und die Sätze nacheinander abarbeiten, statt das Programm für jeden Satz neu zu starten.

Beide Varianten, CPU und iGPU, habe ich in einen Befehl gepackt, der in ~/tools/qwen3-tts/ liegt und sich aus jedem Projekt aufrufen lässt. Mit --device xpu wird die iGPU-Umgebung verwendet.

Test 1: Stimme klonen mit KI, am Beispiel meiner eigenen Stimme

Die Referenzaufnahme ist dieselbe wie im letzten Beitrag: 8 Sekunden, mit dem Handy aufgenommen.

Hinweis: Alle Hörbeispiele in diesem Abschnitt geben die Stimme des Autors Terry L oder Klone dieser Stimme wieder. Alle Rechte vorbehalten. Bitte nicht herunterladen, weiterverbreiten oder anderweitig verwenden (auch nicht zum Klonen).
Meine Originalaufnahme (8 Sekunden) auf Chinesisch: „歡迎大家來到我的月球基地。我的文章記錄我對於各種工具的測試,希望對您有幫助。“ (Willkommen in meiner Mondbasis. In meinen Beiträgen teste ich alle möglichen Tools und hoffe, dass sie euch helfen.) Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.

Die beiden folgenden Sätze habe ich nie selbst gesprochen. Qwen3-TTS 0,6B hat sie auf der Intel-iGPU mit meiner geklonten Stimme erzeugt. Als Grundlage dienten die Aufnahme oben und ihr Transkript. Sätze und Transkript habe ich vorher in vereinfachtes Chinesisch umgewandelt (warum, steht in Test 2):

Meine geklonte Stimme: „這句話是 Qwen3-TTS 用我錄的八秒鐘聲音克隆出來的。我本人從來沒有念過這句話。“ (Dieser Satz wurde von Qwen3-TTS aus acht Sekunden meiner Stimme geklont. Ich selbst habe ihn nie gesprochen.) Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.
Meine geklonte Stimme: „這段聲音是在我筆電的 Intel 內顯上生成的,沒有用到 NVIDIA 顯示卡。“ (Diese Aufnahme wurde auf der Intel-iGPU meines Laptops erzeugt, ohne NVIDIA-Grafikkarte.) Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.

Der zweite Satz ist schwieriger: Er mischt Chinesisch und Englisch, mit „Intel“, „NVIDIA“, „內顯“ (iGPU) und „顯示卡“ (Grafikkarte). Ich habe 3 Versionen nacheinander erzeugt: In den ersten beiden wurde entweder „顯示卡“ falsch ausgesprochen oder „NVIDIA“ genuschelt. Erst die dritte war vollständig korrekt. Bei solchen Sätzen mit Qwen3-TTS lieber mehrere Versionen erzeugen und die beste auswählen.

Die erzeugte chinesische Stimme klingt für mich sehr nach mir selbst.

Stimme sprachübergreifend klonen: Mit derselben chinesischen Aufnahme kann ich meine geklonte Stimme auch Deutsch, Englisch und Japanisch sprechen lassen:

Meine geklonte Stimme auf Deutsch: „Dieser Satz wurde von Qwen3-TTS aus einer acht Sekunden langen Aufnahme meiner Stimme erzeugt. Ich habe ihn nie gesagt.“ Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.
Meine geklonte Stimme auf Englisch: „This sentence was generated by Qwen3-TTS from an eight-second clip of my voice. I never actually said it.“ Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.
Meine geklonte Stimme auf Japanisch: „この声は、私の8秒の録音から作られました。“ (Diese Stimme wurde aus 8 Sekunden meiner Aufnahme erzeugt.) Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.

Den japanischen Satz habe ich per Spracherkennung (Whisper) transkribiert und mit dem Ausgangstext verglichen: Der Inhalt stimmte vollständig überein. Beim englischen Satz wurde nur der Name „Qwen3-TTS“ als etwas anderes erkannt, der Rest stimmte, ohne zusätzliche oder fehlende Wörter.

Dass der Inhalt stimmt, heißt aber noch nicht, dass die Sprachausgabe gut klingt. Der englische Satz klingt für mich sehr abgehackt, stockend und unnatürlich. Mit derselben Aufnahme spricht CosyVoice 3 aus dem letzten Beitrag deutlich flüssiger Englisch. Wer die eigene Stimme in anderen Sprachen sprechen lassen will, ist beim sprachübergreifenden Klonen mit CosyVoice 3 besser bedient.

Test 2: Arthurs Satz auf Deutsch

Auf der Startseite meiner Website gibt es ein kleines 3D-Spiel: eine Mondbasis, in der man mit einem Astronauten herumläuft, bis in die Bar. Dort steht Arthur hinter der Theke, ein Roboter-Barkeeper als Hommage an den Androiden-Barkeeper aus dem Film Passengers (2016). Die Stimme von Michael Sheen ahme ich bewusst nicht nach; Arthur spricht jetzt mit meiner Stimme. Hier sein Satz, geklont mit Qwen3-TTS:

Meine aus der chinesischen Aufnahme geklonte Stimme: „Ein Barkeeper bewahrt Geheimnisse. Das ist das heilige Vertrauen seines Handwerks.“ Alle Rechte vorbehalten, bitte nicht anderweitig verwenden.

Wer Qwen3-TTS Chinesisch sprechen lassen will, sollte den Text vorher in vereinfachtes Chinesisch umwandeln: Bei Eingaben in traditionellen Schriftzeichen spricht das Modell Zeichen mit mehreren Lesungen falsch aus. In der chinesischen Version dieses Satzes habe ich gehört, wie „行業“ (Branche, Handwerk) wie „商議“ (verhandeln) ausgesprochen wurde. Das Python-Paket OpenCC erledigt die Umwandlung in einer Zeile, auch für das Transkript der Referenzaufnahme.

Test 3: Die 9 eingebauten Stimmen (CustomVoice)

Wer nicht klonen will oder für eine Figur noch keine Referenzstimme hat, kann direkt die eingebauten Stimmen nutzen. Alle folgenden Beispiele wurden mit CustomVoice 0,6B auf der iGPU erzeugt, mit dem Satz „歡迎來到月球基地的酒吧。今天想喝點什麼?“ (Willkommen in der Bar der Mondbasis. Was darf es heute sein?), in vereinfachtem Chinesisch eingegeben:

Eingebaute Stimme Uncle_Fu
Eingebaute Stimme Vivian
Eingebaute Stimme Serena
Eingebaute Stimme Dylan (Pekinger Dialekt)
Eingebaute Stimme Eric (Sichuanesisch)

Für die englische Stimme Aiden lautet der Satz: „Welcome to the bar on the lunar base. What can I get you tonight?“

Eingebaute Stimme Aiden (Englisch)

Sobald Eric den Mund aufmacht, hört man den Sichuan-Akzent. Wer einer Figur einen regionalen Akzent geben will, kann ihn direkt verwenden.

Mit CustomVoice 0,6B lässt sich der Tonfall nicht per Anweisung steuern. Für Vorgaben wie „sag es in wütendem Ton“ braucht man 1,7B.

Qwen3-TTS oder CosyVoice 3: Welches nehmen?

Beide sind Open-Source-Modelle von Alibaba unter Apache-2.0 und dürfen kommerziell genutzt werden. Ich habe beide auf demselben Laptop getestet:

Punkt

Qwen3-TTS 0,6B

CosyVoice 3 (0,5B)

Lizenz

Apache-2.0

Apache-2.0

Sprachen

10

9 (kein Portugiesisch)

Dialekte

Eingebaute Stimmen mit Pekinger Dialekt und Sichuanesisch

Über 18, per Anweisung wählbar

Chinesische Eingabe

Vorher in vereinfachtes Chinesisch umwandeln

Traditionelle Zeichen meist direkt möglich

Tonfall per Anweisung

Nicht mit 0,6B (mit 1,7B bei CustomVoice und VoiceDesign, nicht bei Base)

Ja (Dialekt, Tempo, Emotion)

Intel-iGPU

Einfach device_map auf "xpu" setzen

Modell muss von Hand verschoben werden

Klonen eines Satzes auf der iGPU (gleiche Sätze)

16–28 s (mit bfloat16 schneller)

29–61 s

Klonen eines Satzes auf der CPU

Über 4,5 Minuten

Ca. 2 Minuten

Sprachübergreifendes Klonen (Englisch auf Basis einer chinesischen Aufnahme)

Klingt sehr abgehackt

Deutlich flüssiger

Kurz gesagt:

  • Intel-iGPU vorhanden, Tempo wichtig, eingebaute Stimmen direkt nutzen: Qwen3-TTS lässt sich am einfachsten einrichten und ist auch beim Klonen schneller.
  • Die eigene Stimme Englisch oder andere Sprachen sprechen lassen: CosyVoice 3, beim sprachübergreifenden Klonen deutlich flüssiger.
  • Texte vor allem in traditionellem Chinesisch, Dialekte oder Emotionsanweisungen gewünscht: CosyVoice 3, das traditionelle Zeichen meist direkt verarbeitet und bei dem sich per Anweisung Kantonesisch, Sichuanesisch, Tempo und Emotion festlegen lassen.
  • Nur CPU: CosyVoice 3 klont einen Satz in etwa zwei Minuten, Qwen3-TTS braucht über 4,5 Minuten. Ohne GPU ist CosyVoice 3 die praktischere Wahl.

Darf man die Stimme anderer Leute klonen?

Technisch ja, eine saubere Aufnahme genügt. Aber klont nur eure eigene Stimme oder die von Personen, die zugestimmt haben. Die Apache-2.0-Lizenz erlaubt die kommerzielle Nutzung des Modells selbst, nicht die Nutzung beliebiger Stimmen. Die Stimmen bekannter Persönlichkeiten sind durch Persönlichkeitsrechte geschützt, und wer jemanden Dinge sagen lässt, die er nie gesagt hat, kann sich auch des Betrugs oder der Verleumdung schuldig machen.

Häufige Fragen

Darf man Qwen3-TTS kommerziell nutzen?

Ja. Das Modell und der Sprach-Encoder von Qwen3-TTS stehen unter der Apache-2.0-Lizenz. Die Referenzstimme muss aber eure eigene sein oder von einer Person stammen, die zugestimmt hat.

Läuft Qwen3-TTS ohne NVIDIA-Grafikkarte?

Ja. 0,6B läuft auch auf der CPU, aber das Stimmklonen dauert dann mehrere Minuten pro Satz. Mit einer Intel-Core-Ultra-iGPU oder einer Arc-Grafikkarte installiert ihr PyTorch in der XPU-Version und setzt device_map auf "xpu". Auf meinem Laptop dauert das Klonen eines 6 Sekunden langen Satzes dann 16–18 Sekunden, mehr als 10-mal so schnell wie auf der CPU.

Kann ich mit Qwen3-TTS meine Stimme auf Deutsch klonen?

Ja. Deutsch gehört zu den 10 unterstützten Sprachen. In diesem Beitrag spricht meine geklonte Stimme Deutsch, obwohl die Referenzaufnahme auf Chinesisch ist.

Spricht Qwen3-TTS chinesische Dialekte?

Kantonesisch und Hokkien gehören nicht zu den 10 offiziell unterstützten Sprachen, und bei den eingebauten Stimmen gibt es nur Pekinger Dialekt (Dylan) und Sichuanesisch (Eric). Für Kantonesisch bietet sich CosyVoice 3 an, bei dem sich dieser Dialekt per Anweisung auswählen lässt.

Was ist der Unterschied zwischen Qwen3-TTS 0,6B und 1,7B?

1,7B bietet zusätzlich VoiceDesign (Stimme per Textbeschreibung entwerfen). Bei CustomVoice lässt sich mit dieser Modellgröße auch der Tonfall per Anweisung steuern. 0,6B kann nur Stimmen klonen und die eingebauten Stimmen nutzen. Beide Größen unterstützen 10 Sprachen.

Wie lang muss die Aufnahme sein, um eine Stimme mit KI zu klonen?

Laut Hersteller reichen 3 Sekunden. Ich habe eine 8 Sekunden lange Aufnahme mit wortgenauem Transkript verwendet. Die Aufnahme sollte in ruhiger Umgebung entstehen, mit nur einer sprechenden Person.

Fazit: Stimmklonen geht auch auf der Intel-iGPU

Im Überblicksbeitrag dachte ich noch, ohne NVIDIA-Grafikkarte könne man das Stimmklonen mit Qwen3-TTS vergessen. Mit der Intel-iGPU sank die Generierungszeit für denselben Satz von über 4,5 Minuten auf 16–18 Sekunden, und geändert habe ich dafür nur einen Parameter: device_map. Wer einen Laptop mit Core Ultra hat, sollte es unbedingt ausprobieren.

Wenn ihr Qwen3-TTS ausprobiert habt oder andere KI-Modelle auf einer Intel-iGPU laufen lasst, schreibt mir gern auf Threads oder X.