Qwen3-TTS : clonage de voix IA, 10x plus rapide sur GPU Intel
8 s d'audio pour cloner sa voix, moins de 20 s par phrase sur GPU Intel : 10x plus vite que sur CPU. Tests XPU, multilingue, voix intégrées.

Voici le troisième article de ma série sur la synthèse vocale (TTS) open source. J'ai fait un tour d'horizon dans « Voix IA gratuite en jeu : Kokoro, Chatterbox, TTS open source », puis, dans l'article précédent, « CosyVoice 3 : clonage de voix IA gratuit, même sur CPU », j'ai présenté une solution de clonage de voix qui fonctionne même sur CPU. Cette fois, place à Qwen3-TTS.
Dans le tour d'horizon, j'avais lancé le clonage de voix de Qwen3-TTS sur CPU : plus de 4 minutes d'attente pour une seule réplique. Ma conclusion à l'époque : « pour cloner beaucoup de répliques, il faut une carte graphique NVIDIA ». Cette fois, j'ai utilisé le GPU intégré Intel de mon portable : la même réplique ne prend plus que 16 à 18 secondes. Dans ce test, c'est plus de 10 fois plus rapide, sans toucher au code source du paquet. Précision : pendant le test sur CPU, d'autres programmes tournaient en même temps, alors que le test sur GPU intégré s'est fait sans autre charge. Cet article détaille l'installation sur GPU intégré Intel (PyTorch XPU) et présente un exemple concret de clonage de ma propre voix.
Qwen3-TTS, c'est quoi ? Peut-on l'utiliser commercialement ?
Qwen3-TTS est une famille de modèles de génération vocale publiée en open source le 22 janvier 2026 par l'équipe Qwen (Tongyi Qianwen) d'Alibaba. Les informations ci-dessous viennent de GitHub et de la page du modèle sur Hugging Face, consultées le 21/11/2026 :
Élément | Détail |
|---|---|
Licence | Apache-2.0, usage commercial autorisé |
Nombre de paramètres | 0,6B (600 millions de paramètres) et 1,7B (1,7 milliard de paramètres) |
Langues | chinois, anglais, japonais, coréen, allemand, français, russe, portugais, espagnol, italien : 10 au total |
Clonage de voix | d'après l'équipe, 3 secondes de voix de référence suffisent |
Données d'entraînement | le rapport technique annonce plus de 5 millions d'heures de parole dans 10 langues |
Installation |
|
Trois modèles : Base, CustomVoice, VoiceDesign
Qwen3-TTS se décline en trois modèles selon l'usage. Le « 12Hz » dans leur nom désigne l'encodeur audio utilisé :
Modèle | Usage | 0,6B | 1,7B | Contrôle du ton par instruction |
|---|---|---|---|---|
Base | Clonage de voix, sert aussi de base à l'ajustement fin | Oui | Oui | Non |
CustomVoice | 9 voix intégrées | Oui | Oui | Seulement en 1,7B |
VoiceDesign | Créer une nouvelle voix à partir d'une description écrite | Non | Oui | Oui |
Dans cet article, j'utilise uniquement la version 0,6B. Téléchargés depuis Hugging Face, Base et CustomVoice pèsent chacun environ 2,4 Go.
Les 9 voix intégrées
Les voix intégrées de CustomVoice (d'après la description officielle, traduite par mes soins) :
Nom | Voix | Langue maternelle |
|---|---|---|
Vivian | Jeune voix féminine claire, avec du caractère | Chinois |
Serena | Jeune voix féminine chaleureuse et douce | Chinois |
Uncle_Fu | Voix masculine d'âge mûr, grave et ronde | Chinois |
Dylan | Jeune voix masculine, accent de Pékin | Chinois (pékinois) |
Eric | Voix masculine enjouée de Chengdu, légèrement rauque | Chinois (sichuanais) |
Ryan | Voix masculine très rythmée | Anglais |
Aiden | Voix masculine américaine, solaire | Anglais |
Ono_Anna | Voix féminine espiègle et légère | Japonais |
Sohee | Voix féminine chaleureuse et expressive | Coréen |
L'équipe recommande d'utiliser chaque voix dans sa langue maternelle pour obtenir le meilleur résultat ; cela dit, chaque voix peut parler les 10 langues.
Configuration requise : ça tourne sans carte graphique NVIDIA ?
Oui. Les exemples officiels utilisent tous device_map="cuda:0", avec bfloat16 et FlashAttention 2, et ni GitHub ni la page du modèle ne parlent du CPU ou des puces graphiques Intel. En pratique, Qwen3-TTS fonctionne aussi bien sur CPU que sur GPU intégré Intel.
Mon portable est équipé d'un Intel Core Ultra 5 322 (6 cœurs) avec un GPU intégré Panther Lake, sans carte graphique dédiée. Voici les temps obtenus avec le modèle 0,6B pour cloner ma voix sur une même réplique en chinois d'environ 6 secondes (saisie en chinois simplifié) :
Matériel | Temps de génération | Facteur de temps réel (plus bas = plus rapide) |
|---|---|---|
CPU (6 cœurs) | environ 270 s | environ 42 |
GPU intégré Intel (PyTorch XPU) | 16 à 18 s | 2,7 à 3,0 |
GPU intégré Intel, en bfloat16 | environ 12 s | environ 2,2 |
Le facteur de temps réel correspond au temps de génération divisé par la durée de l'audio : 3,0 signifie qu'il faut 3 secondes pour générer 1 seconde de voix.
J'ai mesuré deux fois sur CPU : 272 secondes et 402 secondes. D'autres programmes tournaient pendant les mesures, d'où l'écart, mais dans les deux cas il a fallu plus de 4 minutes et demie. Sur le GPU intégré, j'ai mesuré sans autre charge sur la machine, en générant la même réplique 3 fois de suite : la première génération nécessite une compilation et prend environ 20 secondes ; les suivantes prennent 16 à 18 secondes.
Le chargement du modèle prend en plus 6 à 10 secondes. La génération avec les voix intégrées (CustomVoice) est à peu près aussi rapide sur le GPU intégré : pour une réplique d'environ 8 secondes, la génération prend 18 à 20 secondes.
Par rapport à CosyVoice 3, présenté dans l'article précédent, Qwen3-TTS est environ 2 fois plus rapide pour le clonage de voix sur GPU intégré. J'ai comparé avec le même enregistrement et les deux mêmes répliques : de 16 à 28 secondes par réplique pour Qwen3-TTS, de 29 à 61 secondes pour CosyVoice 3. (Le facteur de 2,5 donné dans l'article sur CosyVoice 3 correspond au mode multilingue sans transcription, plus rapide que le clonage avec transcription.) Sur CPU, l'écart est encore plus grand : environ deux minutes par réplique pour cloner avec CosyVoice 3, plus de 4 minutes et demie avec Qwen3-TTS. Pour le clonage de voix avec Qwen3-TTS, le GPU intégré est presque indispensable.
Installer Qwen3-TTS (version CPU)
Mon environnement : Linux (Arch), avec Python géré par uv. L'équipe recommande un nouvel environnement sous 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 soundfileOn installe d'abord torch depuis le dépôt CPU de PyTorch ; sinon, sous Linux, c'est la version avec CUDA qui est téléchargée par défaut, et elle prend plusieurs Go de plus.
L'équipe conseille aussi d'installer FlashAttention 2 pour accélérer la génération, mais c'est optionnel et il faut une carte graphique compatible : ni le CPU ni le GPU intégré Intel ne s'en servent, on peut donc passer cette étape.
Générer une première phrase
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# Clonage de voix : modèle Base + audio de référence + transcription de cet audio
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Texte à prononcer", language="Chinese",
ref_audio="ref.wav", ref_text="Ce que dit l'audio de référence")
sf.write("out.wav", wavs[0], sr)À la première exécution, le modèle est téléchargé automatiquement depuis Hugging Face. Pour les voix intégrées, on passe au modèle 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="Texte à prononcer", speaker="Uncle_Fu", language="Chinese")Pour language, on peut écrire un nom de langue comme Chinese, English ou Japanese, ou bien Auto pour laisser le modèle la détecter.
Accélérer avec le GPU intégré Intel (PyTorch XPU)
C'est le cœur de cet article. Dans PyTorch, le backend pour les puces graphiques Intel s'appelle XPU, et le dépôt officiel propose une version XPU prête à l'emploi : pas besoin de compiler quoi que ce soit.
D'après la documentation XPU officielle de PyTorch, les puces graphiques Intel prises en charge sont les cartes dédiées Arc des séries A et B, ainsi que les GPU intégrés des Core Ultra : Meteor Lake, Arrow Lake, Lunar Lake et Panther Lake. Les systèmes mentionnés sont Windows 11 et Ubuntu (Ubuntu 26.04 pour Panther Lake). J'utilise Arch Linux, qui n'est pas dans la liste, et tout fonctionne quand même.
Je crée un environnement à part pour le GPU intégré, sans toucher à celui de la version CPU.
1. Installer le pilote de calcul Intel
Une installation de bureau classique ne dispose que du pilote d'affichage. Pour que PyTorch puisse calculer sur la puce graphique, il faut aussi le pilote de calcul Intel (Level Zero). Sous Arch Linux :
sudo pacman -S intel-compute-runtime2. Installer PyTorch en version 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 la commande affiche True Intel(R) Graphics, le GPU intégré est bien détecté. Chez moi, c'est PyTorch 2.15.0 qui s'est installé.
3. Verrouiller la version de torch, puis installer qwen-tts
Au moment d'installer qwen-tts, celui-ci vérifie aussi torch. Si on laisse le gestionnaire de paquets choisir, il risque de remplacer la version XPU qu'on vient d'installer par une version standard. J'écris donc d'abord un fichier de contraintes pour verrouiller les versions :
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 soundfileRemplacez les numéros de version par ceux que vous avez réellement installés (vérifiables avec uv pip list). L'option --index-strategy unsafe-best-match permet à uv de choisir les paquets à la fois sur PyPI et dans le dépôt XPU de PyTorch.
Avec CosyVoice 3, dans l'article précédent, cette étape provoquait un conflit avec triton : openai-whisper installait au passage une ancienne version de triton, qui écrasait le triton-xpu dont XPU a besoin. Qwen3-TTS n'utilise pas openai-whisper, et je n'ai pas eu ce problème cette fois. Si vous tombez sur l'erreur cannot import name 'make_tensordesc_args', vous trouverez la solution dans l'article précédent.
4. Passer device_map à xpu
C'est la grande différence avec CosyVoice 3. Le code de CosyVoice ne connaît que CUDA : je devais charger le modèle sur le CPU, puis le déplacer à la main sur le GPU intégré. Qwen3-TTS se charge comme les modèles de Hugging Face transformers : il suffit de passer device_map à "xpu", sans modifier le code source du paquet :
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype désigne la précision numérique utilisée pour les calculs du modèle. float32, c'est un nombre à virgule flottante sur 32 bits : précis, mais plus lent et plus gourmand en mémoire. bfloat16 n'utilise que 16 bits : plus rapide, plus économe en mémoire, mais moins précis. Les exemples officiels utilisent dtype=torch.bfloat16.
J'utilise d'habitude float32, mais j'ai aussi essayé bfloat16 : la même réplique passe de 16 à 18 secondes à environ 12 secondes, et après transcription par reconnaissance vocale (Whisper), le contenu est correct. En revanche, les deux extraits audio n'ont pas la même durée (5,3 secondes en bfloat16, 6,0 secondes en float32) : il faut en tenir compte en comparant les vitesses.
J'ai comparé les deux versions : la différence de qualité est minime, il faut écouter attentivement pour l'entendre. Sur GPU intégré Intel, je conseille donc de passer directement en bfloat16 : dans ce test, on gagne encore environ 30 % de temps par réplique.
La première génération sur le GPU intégré passe par une compilation et prend plus de temps ; les générations suivantes dans le même programme se déroulent normalement. Pour générer un lot de répliques, chargez le modèle une seule fois et enchaînez les répliques, au lieu de relancer le programme à chaque fois.
J'ai regroupé les deux usages, CPU et GPU intégré, dans une commande placée dans ~/tools/qwen3-tts/, que je peux appeler depuis n'importe quel projet. Avec --device xpu, elle passe à l'environnement du GPU intégré.
Test 1 : clonage de voix IA, démonstration avec ma propre voix
Comme dans l'article précédent, j'utilise un enregistrement de référence de 8 secondes, réalisé avec mon téléphone.
Avertissement : tous les extraits audio de cette partie font entendre ma voix (Terry L) ou des clones de celle-ci. Tous droits réservés : merci de ne pas les télécharger, les republier ni les utiliser ailleurs (y compris pour cloner ma voix).
Je n'ai jamais prononcé les deux phrases suivantes : c'est Qwen3-TTS 0,6B qui les a générées avec ma voix clonée sur le GPU intégré Intel, à partir de l'enregistrement ci-dessus et de sa transcription. Les répliques comme la transcription ont d'abord été converties en chinois simplifié (je vous explique pourquoi dans le test 2) :
La deuxième phrase est plus difficile : elle mélange le chinois et l'anglais, avec « Intel », « NVIDIA », « 內顯 » (GPU intégré) et « 顯示卡 » (carte graphique). J'en ai généré 3 versions d'affilée : les deux premières prononçaient mal « 顯示卡 » ou mâchaient « NVIDIA », seule la troisième était entièrement correcte. Pour ce genre de réplique avec Qwen3-TTS, pensez à générer plusieurs versions et à retenir la meilleure.
Je trouve que la voix générée en chinois me ressemble énormément.
Clonage de voix d'une langue à l'autre : le même enregistrement chinois permet aussi de parler français, anglais et japonais :
J'ai repassé la phrase japonaise dans un outil de reconnaissance vocale (Whisper) pour vérifier le texte : tout était correct. Pour la phrase anglaise, à part le nom « Qwen3-TTS » mal transcrit, tout était correct, sans mot en trop ni mot manquant.
Mais un texte correctement restitué ne garantit pas un rendu agréable à l'écoute. À mon oreille, la phrase anglaise est très hachée, saccadée, pas naturelle. Avec le même enregistrement, CosyVoice 3, présenté dans l'article précédent, parle anglais de façon nettement plus fluide. Pour faire parler votre propre voix dans d'autres langues, CosyVoice 3 offre un meilleur clonage multilingue.
Test 2 : la réplique d'Arthur en français
Sur la page d'accueil de mon site, il y a un mini-jeu en 3D : une base lunaire où l'on peut se promener avec un astronaute, jusqu'au bar. Le barman est Arthur, un robot qui rend hommage au barman androïde du film Passengers (2016) ; je ne cherche pas à imiter la voix de Michael Sheen, et Arthur parle désormais avec ma voix. Voici sa réplique, clonée par Qwen3-TTS :
Si vous voulez faire parler Qwen3-TTS en chinois, convertissez d'abord le texte en chinois simplifié : avec un texte saisi en chinois traditionnel, le modèle prononce mal les caractères qui ont plusieurs lectures. Dans la version chinoise de cette réplique, j'ai entendu « 行業 » (métier) prononcé comme « 商議 » (négocier). Le paquet Python OpenCC permet de convertir le texte en une ligne de code, y compris la transcription de l'audio de référence.
Test 3 : les 9 voix intégrées (CustomVoice)
Si vous ne voulez pas cloner de voix, ou si vous n'avez pas encore de voix de référence pour un personnage, les voix intégrées font l'affaire. Tous les extraits ci-dessous ont été générés sur le GPU intégré avec CustomVoice 0,6B, avec la réplique « 歡迎來到月球基地的酒吧。今天想喝點什麼? » (Bienvenue au bar de la base lunaire. Qu'est-ce que je vous sers aujourd'hui ?), convertie en chinois simplifié :
Pour la voix anglaise intégrée Aiden, la réplique est « Welcome to the bar on the lunar base. What can I get you tonight? » :
Dès qu'Eric ouvre la bouche, on entend l'accent du Sichuan : si vous voulez donner un accent régional à un personnage, il suffit de l'utiliser.
CustomVoice 0,6B ne permet pas de contrôler le ton par instruction. Pour ce genre de contrôle, du type « dis-le sur un ton fâché », il faut passer au 1,7B.
Qwen3-TTS ou CosyVoice 3 : lequel choisir ?
Les deux modèles sont publiés en open source par Alibaba, sous licence Apache-2.0, avec usage commercial autorisé. Je les ai testés tous les deux sur le même portable :
Élément | Qwen3-TTS 0,6B | CosyVoice 3 (0,5B) |
|---|---|---|
Licence | Apache-2.0 | Apache-2.0 |
Langues | 10 | 9 (pas de portugais) |
Dialectes | Voix intégrées en pékinois et sichuanais | Plus de 18, sélectionnables par instruction |
Saisie en chinois | À convertir d'abord en simplifié | Le traditionnel passe le plus souvent tel quel |
Contrôle du ton par instruction | Pas en 0,6B (possible avec CustomVoice et VoiceDesign en 1,7B, pas avec Base) | Oui (dialecte, débit, émotion) |
GPU intégré Intel | Il suffit de passer | Il faut déplacer le modèle à la main |
Clonage d'une réplique sur GPU intégré (mêmes répliques) | 16 à 28 s (plus rapide en bfloat16) | 29 à 61 s |
Clonage d'une réplique sur CPU | Plus de 4 min 30 | Environ 2 min |
Clonage multilingue (voix issue d'un enregistrement en chinois, utilisée en anglais) | Très haché à l'écoute | Nettement plus fluide |
En résumé :
- GPU intégré Intel, besoin de vitesse, envie d'utiliser directement les voix intégrées : Qwen3-TTS est plus simple à configurer et plus rapide pour le clonage.
- Faire parler votre propre voix en anglais ou dans d'autres langues : CosyVoice 3, nettement plus fluide en clonage multilingue.
- Répliques surtout en chinois traditionnel, besoin de dialectes ou de contrôler l'émotion par instruction : CosyVoice 3, qui accepte le plus souvent le chinois traditionnel tel quel et permet de choisir en une phrase le cantonais, le sichuanais, le débit ou l'émotion.
- CPU uniquement : CosyVoice 3 clone une réplique en deux minutes environ, contre plus de 4 minutes et demie pour Qwen3-TTS. Sans GPU, CosyVoice 3 est plus pratique.
Peut-on cloner la voix de quelqu'un d'autre ?
Techniquement, oui, il suffit d'un enregistrement propre. Mais ne clonez que votre propre voix, ou celle d'une personne qui a donné son accord. La licence Apache-2.0 autorise l'usage commercial du modèle lui-même ; elle ne vous donne pas le droit d'utiliser la voix de n'importe qui. La voix des personnalités est protégée par les droits de la personnalité, et faire dire à quelqu'un des choses qu'il n'a jamais dites peut relever de l'escroquerie ou de la diffamation.
Questions fréquentes
Qwen3-TTS est-il utilisable commercialement ?
Oui. Le modèle Qwen3-TTS et son encodeur audio sont sous licence Apache-2.0. Mais la voix de référence doit être la vôtre, ou celle d'une personne qui a donné son accord.
Peut-on faire tourner Qwen3-TTS sans carte graphique NVIDIA ?
Oui. Le 0,6B tourne sur CPU, mais le clonage de voix prend plusieurs minutes par réplique. Avec un GPU intégré Intel Core Ultra ou une carte Arc, installez PyTorch en version XPU et passez device_map à "xpu" : sur mon portable, une réplique de 6 secondes est clonée en 16 à 18 secondes, plus de 10 fois plus vite que sur CPU.
Le clonage de voix en français fonctionne-t-il avec Qwen3-TTS ?
Oui. Le français fait partie des 10 langues prises en charge. Dans cet article, ma voix clonée parle français à partir d'un enregistrement de référence en chinois.
Qwen3-TTS parle-t-il les dialectes chinois ?
Ni le cantonais ni le hokkien ne figurent parmi les 10 langues officiellement prises en charge, et les seuls dialectes des voix intégrées sont le pékinois (Dylan) et le sichuanais (Eric). Pour le cantonais, regardez du côté de CosyVoice 3, dont les instructions de dialecte incluent le cantonais.
Quelle différence entre Qwen3-TTS 0,6B et 1,7B ?
La version 1,7B ajoute VoiceDesign (pour créer une voix à partir d'une description écrite), et CustomVoice y accepte les instructions de ton ; le 0,6B se limite au clonage de voix et aux voix intégrées. Les deux tailles prennent en charge les 10 langues.
Quelle durée d'enregistrement faut-il pour un clonage de voix IA ?
D'après l'équipe, 3 secondes suffisent. J'ai utilisé un enregistrement de 8 secondes, accompagné d'une transcription fidèle, mot pour mot. L'enregistrement doit être fait au calme, avec une seule personne qui parle.
Conclusion : le clonage de voix marche aussi sur GPU intégré Intel
Dans le tour d'horizon, je pensais qu'il était inutile d'essayer le clonage de voix avec Qwen3-TTS sans carte NVIDIA. Grâce au passage au GPU intégré Intel, le temps de génération de la même réplique est passé de plus de 4 minutes et demie à 16 à 18 secondes, en changeant un seul paramètre : device_map. Si votre portable a un Core Ultra, ça vaut vraiment le coup d'essayer.
Si vous avez essayé Qwen3-TTS, ou fait tourner d'autres modèles d'IA sur un GPU intégré Intel, venez en parler sur Threads ou X.

