Qwen3-TTS: clonar la voz con IA, 10x más rápido en GPU Intel
Clonar la voz con 8 s de audio: menos de 20 s por frase en GPU integrada Intel, 10x más rápido que la CPU. Pruebas: XPU, idiomas y voces.

Este es el tercer artículo de mi serie sobre TTS (texto a voz) de código abierto. En «Generador de voz con IA gratis: Kokoro y Chatterbox para juegos» hice un repaso general, y en el anterior, «CosyVoice 3: clonar la voz con IA gratis, incluso en CPU», presenté un sistema de clonación de voz que funciona incluso usando solo la CPU. Esta vez le toca a Qwen3-TTS.
En el repaso general ejecuté la clonación de voz de Qwen3-TTS en la CPU, y cada frase tardaba más de 4 minutos. Mi conclusión entonces fue: «para clonar muchas frases, hace falta una tarjeta gráfica NVIDIA». Esta vez usé la GPU integrada Intel de mi portátil, y la misma frase tarda solo entre 16 y 18 segundos. En esta prueba, la generación fue más de 10 veces más rápida, sin tocar el código fuente del paquete. Eso sí: durante la prueba en CPU había otros programas abiertos, mientras que la prueba en la GPU integrada se hizo sin otra carga. En este artículo cuento cómo instalarlo en la GPU integrada Intel (PyTorch XPU) y hago una demostración real de clonación de voz con mi propia voz.
¿Qué es Qwen3-TTS? ¿Se puede usar comercialmente?
Qwen3-TTS es una familia de modelos de generación de voz que el equipo Qwen (Tongyi Qianwen) de Alibaba publicó como código abierto el 22 de enero de 2026. Los datos siguientes proceden de GitHub y de la página del modelo en Hugging Face, que consulté el 21/11/2026:
Aspecto | Detalle |
|---|---|
Licencia | Apache-2.0, se permite el uso comercial |
Tamaño | 0,6B (600 millones de parámetros) y 1,7B (1700 millones de parámetros) |
Idiomas | chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español e italiano: 10 en total |
Clonación de voz | según el equipo, bastan 3 segundos de voz de referencia |
Datos de entrenamiento | el informe técnico habla de más de 5 millones de horas de voz en 10 idiomas |
Instalación |
|
Tres modelos: Base, CustomVoice y VoiceDesign
Qwen3-TTS se divide en tres modelos según el uso. El «12Hz» del nombre se refiere al codificador de voz que utiliza:
Modelo | Uso | 0,6B | 1,7B | Controlar el tono con instrucciones |
|---|---|---|---|---|
Base | Clonación de voz; también sirve de base para el ajuste fino | Sí | Sí | No |
CustomVoice | 9 voces integradas | Sí | Sí | Solo en 1,7B |
VoiceDesign | Diseñar una voz nueva a partir de una descripción escrita | No | Sí | Sí |
En este artículo uso siempre los modelos de 0,6B. Descargados de Hugging Face, Base y CustomVoice ocupan unos 2,4 GB cada uno.
Las 9 voces integradas
Las voces integradas de CustomVoice (según la descripción oficial, traducida por mí):
Nombre | Voz | Idioma nativo |
|---|---|---|
Vivian | Voz femenina joven, brillante y con carácter | Chino |
Serena | Voz femenina joven, cálida y suave | Chino |
Uncle_Fu | Voz masculina madura, grave y redonda | Chino |
Dylan | Voz masculina joven con acento de Pekín | Chino (dialecto de Pekín) |
Eric | Voz masculina alegre de Chengdu, algo ronca | Chino (dialecto de Sichuan) |
Ryan | Voz masculina muy rítmica | Inglés |
Aiden | Voz masculina estadounidense y de timbre brillante | Inglés |
Ono_Anna | Voz femenina juguetona y ligera | Japonés |
Sohee | Voz femenina cálida y expresiva | Coreano |
El equipo recomienda usar cada voz en su idioma nativo para obtener el mejor resultado; aun así, todas las voces pueden hablar los 10 idiomas.
Requisitos: ¿funciona sin tarjeta gráfica NVIDIA?
Sí. Todos los ejemplos oficiales usan device_map="cuda:0", con bfloat16 y FlashAttention 2, y ni GitHub ni la página del modelo mencionan la CPU ni los gráficos Intel. En la práctica, funciona tanto en la CPU como en la GPU integrada Intel.
Mi portátil tiene un Intel Core Ultra 5 322 (6 núcleos) con GPU integrada Panther Lake y sin tarjeta gráfica dedicada. Estos son los resultados al clonar mi propia voz con el modelo de 0,6B y generar la misma frase en chino de unos 6 segundos (introducida en chino simplificado):
Hardware | Tiempo de generación | Factor de tiempo (menor = más rápido) |
|---|---|---|
CPU (6 núcleos) | unos 270 s | unos 42 |
GPU integrada Intel (PyTorch XPU) | 16-18 s | 2,7-3,0 |
GPU integrada Intel con bfloat16 | unos 12 s | unos 2,2 |
El factor de tiempo es el tiempo de generación dividido entre la duración del audio: 3,0 significa que generar 1 segundo de voz lleva 3 segundos.
En la CPU hice dos mediciones: 272 y 402 segundos. Durante las mediciones había otros programas abiertos, de ahí la diferencia, pero en ambos casos tardó más de 4 minutos y medio. En la GPU integrada medí con el equipo sin otra carga, generando la misma frase 3 veces seguidas: la primera vez hay que compilar y tardó unos 20 segundos; después, entre 16 y 18 segundos.
Además, cargar el modelo lleva entre 6 y 10 segundos. Las voces integradas (CustomVoice) van más o menos igual de rápido en la GPU integrada: una frase de unos 8 segundos tarda entre 18 y 20 segundos.
Frente a CosyVoice 3, del artículo anterior, Qwen3-TTS es unas 2 veces más rápido clonando voz en la GPU integrada. Comparé con la misma grabación y las mismas dos frases: Qwen3-TTS tarda entre 16 y 28 segundos por frase, CosyVoice 3 entre 29 y 61. (El factor de 2,5 que di en el artículo de CosyVoice 3 corresponde al modo de clonación entre idiomas sin transcripción, que es más rápido que clonar con transcripción.) En la CPU la diferencia es aún mayor: CosyVoice 3 clona una frase en unos dos minutos y Qwen3-TTS tarda más de 4 minutos y medio. Para clonar voz con Qwen3-TTS, la GPU integrada es casi imprescindible.
Cómo instalar Qwen3-TTS (versión CPU)
Mi entorno es Linux (Arch) y gestiono Python con uv. El equipo recomienda un entorno nuevo con 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 soundfilePrimero instalo torch desde el repositorio de PyTorch para CPU; si no, en Linux se descarga por defecto la versión con CUDA, que ocupa varios GB más.
El equipo también recomienda instalar FlashAttention 2 para acelerar la generación, pero es opcional y necesita una tarjeta gráfica compatible. Ni la CPU ni la GPU integrada Intel lo usan, así que puedes saltarte este paso.
Generar la primera frase
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# Clonación de voz: modelo Base + audio de referencia + transcripción del audio de referencia
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Texto que quieres que diga", language="Chinese",
ref_audio="ref.wav", ref_text="Lo que se dice en el audio de referencia")
sf.write("out.wav", wavs[0], sr)La primera vez que lo ejecutas, el modelo se descarga automáticamente desde Hugging Face. Para las voces integradas se usa el modelo CustomVoice:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="Texto que quieres que diga", speaker="Uncle_Fu", language="Chinese")En language puedes poner un nombre de idioma como Chinese, English o Japanese, o Auto para que lo detecte automáticamente.
Acelerar con la GPU integrada Intel (PyTorch XPU)
Esta es la parte central del artículo. En PyTorch, el backend para los gráficos Intel se llama XPU, y el repositorio oficial ya ofrece una versión XPU lista para instalar, sin compilar nada.
Según la documentación oficial de XPU de PyTorch, se admiten las tarjetas dedicadas Arc de las series A y B y las GPU integradas de los Core Ultra: Meteor Lake, Arrow Lake, Lunar Lake y Panther Lake. Los sistemas operativos que figuran en la lista son Windows 11 y Ubuntu (Panther Lake necesita Ubuntu 26.04). Yo uso Arch Linux, que no está en la lista, y funciona igual.
Creo un entorno aparte para la GPU integrada y dejo intacto el de la versión CPU.
1. Instalar el controlador de cómputo de Intel
Un sistema de escritorio típico solo tiene instalado el controlador gráfico. Para que PyTorch pueda realizar cálculos en la GPU, también hace falta el controlador de cómputo de Intel (Level Zero). En Arch Linux:
sudo pacman -S intel-compute-runtime2. Instalar PyTorch con XPU
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))"Si aparece True Intel(R) Graphics, se ha detectado la GPU integrada. A mí se me instaló PyTorch 2.15.0.
3. Fijar la versión de torch e instalar qwen-tts
Al instalar qwen-tts, también se comprueba torch. Si dejas que el gestor de paquetes elija, puede cambiar la versión XPU que acabas de instalar por una normal. Por eso primero escribo un archivo de restricciones que fija las versiones:
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 soundfileCambia los números de versión por los que se hayan instalado en tu entorno (puedes verlos con uv pip list). --index-strategy unsafe-best-match permite que uv seleccione paquetes tanto de PyPI como del repositorio XPU de PyTorch.
Con CosyVoice 3, en el artículo anterior, este paso provocaba un conflicto con triton: openai-whisper instalaba de paso una versión antigua de triton que pisaba el triton-xpu que necesita XPU. Qwen3-TTS no usa openai-whisper, así que esta vez no me pasó. Si te aparece el error cannot import name 'make_tensordesc_args', la solución está en el artículo anterior.
4. Cambiar device_map a xpu
Aquí está la gran diferencia con CosyVoice 3. El código de CosyVoice solo reconoce CUDA, así que tenía que cargar el modelo en la CPU y luego pasarlo a mano a la GPU integrada. Qwen3-TTS carga los modelos a través de transformers de Hugging Face, así que basta con cambiar device_map a "xpu", sin modificar el código fuente del paquete:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype indica la precisión numérica que usa el modelo en sus cálculos. float32 es un formato de coma flotante de 32 bits: preciso, pero más lento y con mayor consumo de memoria. bfloat16 usa solo 16 bits: es más rápido y consume menos memoria, pero ofrece menos precisión. Los ejemplos oficiales usan dtype=torch.bfloat16.
Yo suelo usar float32, pero también probé bfloat16: el tiempo de generación de la misma frase pasó de 16-18 segundos a unos 12, y al transcribir el audio con reconocimiento de voz (Whisper), el contenido era correcto. Eso sí, los dos audios no duraban lo mismo (5,3 segundos con bfloat16 y 6,0 con float32), así que conviene tenerlo en cuenta al comparar velocidades.
Comparé las dos versiones y la diferencia de calidad es mínima: hay que escuchar con mucha atención para notarla. Por eso, en la GPU integrada Intel recomiendo usar bfloat16 directamente; en esta prueba, el tiempo de generación por frase se reduce alrededor de un 30 %.
La primera generación en la GPU integrada es más lenta porque antes hay que compilar; después, dentro del mismo programa, va a velocidad normal. Así que, para generar un lote de frases, carga el modelo una sola vez y genera las frases una tras otra, en lugar de reiniciar el programa para cada frase.
Junté los dos modos, CPU y GPU integrada, en un solo comando que tengo en ~/tools/qwen3-tts/ y que puedo llamar desde cualquier proyecto. Con --device xpu pasa al entorno de la GPU integrada.
Prueba 1: clonar voz con IA, demostración con mi propia voz
La grabación de referencia es la misma del artículo anterior: 8 segundos grabados con el móvil.
Aviso: todos los audios de esta sección son la voz del autor, Terry L, o clones de su voz. Todos los derechos reservados: no los descargues, no los republiques ni los uses en otro sitio (tampoco para clonarlos).
Nunca he dicho las dos frases siguientes: las generé con mi voz clonada mediante Qwen3-TTS 0,6B en la GPU integrada Intel, a partir de la grabación anterior y su transcripción. Tanto las frases como la transcripción las pasé antes a chino simplificado (explico por qué en la prueba 2):
La segunda frase es más difícil, porque mezcla chino e inglés: «Intel», «NVIDIA», «內顯» (GPU integrada) y «顯示卡» (tarjeta gráfica). Generé 3 versiones seguidas: las dos primeras pronunciaban mal «顯示卡» o se comían «NVIDIA», y solo la tercera salió perfecta. Con este tipo de frases en Qwen3-TTS, acuérdate de generar varias versiones y elegir la mejor.
Me parece que la voz generada en chino se parece muchísimo a la mía.
Clonar voz entre idiomas: con la misma grabación en chino también puede hablar español, inglés y japonés:
Pasé la frase en japonés por un sistema de reconocimiento de voz (Whisper) para comparar el texto: estaba todo bien. En la frase en inglés, salvo el nombre «Qwen3-TTS», que se transcribió como otra cosa, todo era correcto, sin palabras de más ni de menos.
Pero que el contenido sea correcto no significa que suene bien. A mí la frase en inglés me suena muy entrecortada, a trompicones, poco natural. Con la misma grabación, CosyVoice 3, del artículo anterior, habla inglés con mucha más fluidez. Para hacer hablar a tu propia voz en otros idiomas, CosyVoice 3 ofrece mejores resultados en la clonación entre idiomas.
Prueba 2: la frase de Arthur en español
En la página de inicio de mi web hay un minijuego en 3D: una base lunar por la que puedes pasear con un astronauta hasta llegar al bar. Allí atiende Arthur, un robot barman que homenajea al barman androide de la película Passengers (2016). No intento imitar la voz de Michael Sheen; ahora Arthur habla con mi voz. Esta es su frase, clonada con Qwen3-TTS:
Si quieres que Qwen3-TTS hable chino, pasa antes el texto a chino simplificado: si lo introduces en chino tradicional, pronuncia mal los caracteres que tienen varias lecturas. En la versión china de esta frase, oí cómo «行業» (oficio) sonaba como «商議» (negociar). El paquete de Python OpenCC hace la conversión en una línea, también para la transcripción de la grabación de referencia.
Prueba 3: las 9 voces integradas (CustomVoice)
Si no quieres clonar, o todavía no tienes una voz de referencia para un personaje, puedes usar directamente las voces integradas. Todos los audios siguientes se generaron con CustomVoice 0,6B en la GPU integrada, con la frase «歡迎來到月球基地的酒吧。今天想喝點什麼?» (Bienvenido al bar de la base lunar. ¿Qué te apetece tomar hoy?), introducida en chino simplificado:
Para la voz integrada en inglés Aiden, la frase es «Welcome to the bar on the lunar base. What can I get you tonight?»:
En cuanto Eric abre la boca se nota el acento de Sichuan: si quieres darle a un personaje un toque de acento regional, puedes usarlo tal cual.
El modelo CustomVoice de 0,6B no permite controlar el tono con instrucciones. Para pedir cosas como «dilo en tono enfadado», hay que pasar al 1,7B.
¿Qwen3-TTS o CosyVoice 3? ¿Cuál elegir?
Los dos son modelos de código abierto de Alibaba, con licencia Apache-2.0 y uso comercial permitido. Probé ambos en el mismo portátil:
Aspecto | Qwen3-TTS 0,6B | CosyVoice 3 (0,5B) |
|---|---|---|
Licencia | Apache-2.0 | Apache-2.0 |
Idiomas | 10 | 9 (sin portugués) |
Dialectos | Voces integradas con dialecto de Pekín y de Sichuan | Más de 18, se eligen con instrucciones |
Texto en chino | Hay que pasarlo antes a simplificado | El tradicional casi siempre funciona tal cual |
Controlar el tono con instrucciones | No en 0,6B (sí en CustomVoice y VoiceDesign de 1,7B, no en Base) | Sí (dialecto, velocidad, emoción) |
GPU integrada Intel | Basta con cambiar | Hay que pasar el modelo a mano |
Clonar una frase en GPU integrada (mismas frases) | 16-28 s (más rápido con bfloat16) | 29-61 s |
Clonar una frase en CPU | Más de 4 min y medio | Unos 2 min |
Clonación entre idiomas (grabación en chino que habla inglés) | Suena muy entrecortada | Mucho más fluida |
En resumen:
- Tienes GPU integrada Intel, quieres velocidad y usar directamente las voces integradas: Qwen3-TTS es más sencillo de configurar y, además, clona más rápido.
- Quieres que tu propia voz hable inglés u otros idiomas: CosyVoice 3, mucho más fluido en la clonación entre idiomas.
- Tus frases están sobre todo en chino tradicional, o necesitas dialectos o instrucciones de emoción: CosyVoice 3, que casi siempre acepta el chino tradicional tal cual y permite indicar en una frase el dialecto (cantonés o de Sichuan), la velocidad y la emoción.
- Solo tienes CPU: CosyVoice 3 clona una frase en unos dos minutos y Qwen3-TTS tarda más de 4 minutos y medio. Sin GPU, CosyVoice 3 es más práctico.
¿Se puede clonar la voz de otra persona?
Técnicamente, sí: basta con una grabación limpia. Pero clona solo tu propia voz o la de alguien que te haya dado su consentimiento. La licencia Apache-2.0 permite el uso comercial del modelo en sí; no te da derecho a usar la voz de cualquiera. La voz de los famosos está protegida por los derechos de la personalidad, y poner en boca de alguien cosas que nunca dijo puede constituir estafa o difamación.
Preguntas frecuentes
¿Qwen3-TTS se puede usar comercialmente?
Sí. El modelo y el codificador de voz de Qwen3-TTS tienen licencia Apache-2.0. Pero la voz de referencia tiene que ser la tuya o la de alguien que haya dado su consentimiento.
¿Se puede usar Qwen3-TTS sin tarjeta gráfica NVIDIA?
Sí. El 0,6B funciona en CPU, pero la clonación de voz tarda varios minutos por frase. Si tienes una GPU integrada Intel Core Ultra o una tarjeta Arc, instala PyTorch con XPU y cambia device_map a "xpu": en mi portátil, clonar una frase de 6 segundos tarda entre 16 y 18 segundos, más de 10 veces más rápido que en CPU.
¿Puedo clonar mi voz en español con Qwen3-TTS?
Sí. El español es uno de los 10 idiomas que admite. En este artículo, mi voz clonada habla español a partir de una grabación de referencia en chino.
¿Qwen3-TTS habla dialectos chinos?
Ni el cantonés ni el hokkien están entre los 10 idiomas oficiales, y los únicos dialectos de las voces integradas son el de Pekín (Dylan) y el de Sichuan (Eric). Para el cantonés, puedes probar CosyVoice 3, cuyas instrucciones de dialecto incluyen el cantonés.
¿Qué diferencia hay entre Qwen3-TTS 0,6B y 1,7B?
La versión de 1,7B añade VoiceDesign (diseñar una voz a partir de una descripción escrita), y su CustomVoice permite controlar el tono con instrucciones; la de 0,6B solo ofrece clonación de voz y voces integradas. Los dos tamaños admiten los 10 idiomas.
¿Cuánto tiene que durar la grabación para clonar voz con IA?
Según el equipo, bastan 3 segundos. Yo usé una grabación de 8 segundos con su transcripción exacta, palabra por palabra. Graba en un sitio tranquilo y con una sola persona hablando.
Conclusión: la GPU integrada Intel también sirve para clonar voz
En el repaso general pensaba que, sin tarjeta NVIDIA, mejor olvidarse de clonar voz con Qwen3-TTS. Al pasar a la GPU integrada Intel, el tiempo de generación de la misma frase bajó de más de 4 minutos y medio a 16-18 segundos, cambiando un solo parámetro: device_map. Si tu portátil tiene un Core Ultra, merece mucho la pena probarlo.
Si has probado Qwen3-TTS, o has ejecutado otros modelos de IA en una GPU integrada Intel, cuéntamelo en Threads o en X.

