Musim gugur 2026 · Dikirim dari Pangkalan Ketenangan
Mampir ke studio bulan ↗
Tools AI

Qwen3-TTS: kloning suara AI gratis, 10x lebih cepat di GPU Intel

Kloning suara dari rekaman 8 detik, GPU Intel di bawah 20 detik per kalimat, 10x lebih cepat dari CPU. Uji XPU, suara bawaan, lintas bahasa.

Seorang astronaut duduk di depan laptop di ruang kerja pangkalan bulan. Chip di dalam laptop memancarkan cahaya oranye, sementara gelombang suara mengalir ke arah speaker dan robot kecil yang memegang stopwatch
Seorang astronaut duduk di depan laptop di ruang kerja pangkalan bulan. Chip di dalam laptop memancarkan cahaya oranye, sementara gelombang suara mengalir ke arah speaker dan robot kecil yang memegang stopwatch

Ini adalah artikel ketiga dalam seri TTS (text to speech) open source. Dalam artikel Dubbing AI Gratis: Kokoro, Chatterbox TTS untuk Bahasa Inggris saya memberikan gambaran umum, sedangkan artikel sebelumnya, CosyVoice 3: kloning suara AI gratis, berjalan di CPU, membahas kloning suara yang tetap bisa berjalan hanya dengan CPU. Kali ini giliran Qwen3-TTS.

Dalam artikel pengantar itu, saya menjalankan kloning suara Qwen3-TTS dengan CPU, dan satu kalimat dialog butuh lebih dari 4 menit. Kesimpulan saya waktu itu: "untuk mengkloning banyak dialog, tetap perlu kartu grafis NVIDIA". Kali ini saya beralih ke GPU terintegrasi Intel di laptop. Kalimat yang sama hanya butuh 16–18 detik, lebih dari 10 kali lebih cepat dalam pengujian kali ini, dan kode sumber paketnya tidak perlu diubah. Satu catatan: saat pengujian CPU, masih ada program lain yang terbuka, sedangkan saat pengujian GPU terintegrasi tidak ada beban lain. Artikel ini mencatat langkah instalasi GPU terintegrasi Intel (PyTorch XPU), sekaligus mencoba kloning suara AI dengan suara saya sendiri.

Apa itu Qwen3-TTS? Boleh dipakai untuk keperluan komersial?

Qwen3-TTS adalah seri model pembangkit suara yang dirilis sebagai open source oleh tim Qwen (Tongyi Qianwen) dari Alibaba pada 22 Januari 2026. Data di bawah diambil dari GitHub dan halaman model di Hugging Face, per 21 November 2026:

Butir

Keterangan

Lisensi

Apache-2.0, boleh dipakai secara komersial

Ukuran

0.6B (600 juta parameter) dan 1.7B (1,7 miliar parameter)

Bahasa

Mandarin, Inggris, Jepang, Korea, Jerman, Prancis, Rusia, Portugis, Spanyol, Italia, total 10 bahasa

Kloning suara

Menurut pengembangnya, cukup 3 detik suara referensi

Data pelatihan

Laporan teknisnya menyebut lebih dari 5 juta jam suara dalam 10 bahasa

Instalasi

pip install -U qwen-tts (versi yang terinstal di laptop saya 0.1.1)

Per 21 November 2026, Qwen3-TTS belum bisa berbahasa Indonesia: bahasa Indonesia tidak termasuk dalam 10 bahasa di atas. Karena itu, untuk contoh kloning lintas bahasa di artikel ini saya memakai bahasa Inggris.

Tiga jenis model: Base, CustomVoice, VoiceDesign

Qwen3-TTS dibagi menjadi tiga jenis sesuai kegunaannya. 12Hz pada namanya merujuk pada encoder suara yang digunakan:

Model

Kegunaan

0.6B

1.7B

Atur gaya bicara dengan perintah

Base

Kloning suara, juga bisa dipakai untuk fine-tuning

Ada

Ada

Tidak bisa

CustomVoice

9 suara bawaan

Ada

Ada

Hanya 1.7B

VoiceDesign

Merancang suara baru dari deskripsi teks

Tidak ada

Ada

Bisa

Semua model yang saya pakai dalam artikel ini adalah versi 0.6B. Ukuran unduhan Base dan CustomVoice dari Hugging Face masing-masing sekitar 2.4 GB.

9 suara bawaan

Suara bawaan CustomVoice (deskripsi resmi, saya terjemahkan):

Nama

Suara

Bahasa ibu

Vivian

Suara perempuan muda yang cerah dan sedikit berkarakter

Mandarin

Serena

Suara perempuan muda yang hangat dan lembut

Mandarin

Uncle_Fu

Suara laki-laki dewasa, berat dan bulat

Mandarin

Dylan

Suara laki-laki muda berlogat Beijing

Mandarin (dialek Beijing)

Eric

Suara laki-laki ceria dari Chengdu, sedikit serak

Mandarin (dialek Sichuan)

Ryan

Suara laki-laki dengan ritme bicara yang tegas

Inggris

Aiden

Suara laki-laki Amerika yang ceria

Inggris

Ono_Anna

Suara perempuan yang jenaka dan ringan

Jepang

Sohee

Suara perempuan yang hangat dan penuh emosi

Korea

Pengembangnya menyarankan agar setiap suara dipakai dalam bahasa ibunya untuk hasil terbaik; meski begitu, setiap suara bisa membacakan ke-10 bahasa tersebut.

Spesifikasi komputer: bisa berjalan tanpa kartu grafis NVIDIA?

Bisa. Contoh resminya selalu menggunakan device_map="cuda:0", dengan bfloat16 dan FlashAttention 2; baik GitHub maupun halaman modelnya tidak menyebut CPU atau chip grafis Intel. Kenyataannya, CPU dan GPU terintegrasi Intel sama-sama bisa menjalankannya.

Laptop saya memakai Intel Core Ultra 5 322 (6 core) dengan GPU terintegrasi Panther Lake, tanpa kartu grafis terpisah. Saya memakai 0.6B untuk mengkloning suara saya sendiri dan membacakan satu kalimat dialog bahasa Mandarin sepanjang kira-kira 6 detik (input dalam aksara sederhana):

Dijalankan dengan

Waktu pembuatan

Rasio waktu (makin kecil makin cepat)

CPU (6 core)

Sekitar 270 detik

Sekitar 42

GPU terintegrasi Intel (PyTorch XPU)

16–18 detik

2.7–3.0

GPU terintegrasi Intel, dengan bfloat16

Sekitar 12 detik

Sekitar 2.2

Rasio waktu adalah waktu pembuatan dibagi panjang audio. Misalnya 3.0 berarti 1 detik audio butuh 3 detik untuk dibuat.

Saya mengukur waktu pemrosesan di CPU dua kali, dengan hasil 272 detik dan 402 detik. Saat mengukur, masih ada program lain yang terbuka di komputer, jadi angkanya berbeda jauh, tapi keduanya sama-sama lebih dari 4,5 menit. Saya mengukur waktu pemrosesan di GPU terintegrasi saat komputer tidak menjalankan beban lain, dengan membuat kalimat yang sama 3 kali berturut-turut: yang pertama perlu kompilasi dulu, sekitar 20 detik, berikutnya 16–18 detik.

Selain itu, memuat model butuh sekitar 6–10 detik. Kecepatan pembuatan suara bawaan (CustomVoice) di GPU terintegrasi juga serupa: satu dialog berdurasi sekitar 8 detik dibuat dalam kira-kira 18–20 detik.

Dibandingkan CosyVoice 3 di artikel sebelumnya, untuk kloning suara yang sama, Qwen3-TTS di GPU terintegrasi kira-kira 2 kali lebih cepat. Saya memakai rekaman yang sama dan dua kalimat dialog yang sama sebagai pembanding: Qwen3-TTS butuh 16–28 detik per kalimat, CosyVoice 3 butuh 29–61 detik. (Rasio 2.5 yang saya tulis di artikel CosyVoice 3 adalah mode lintas bahasa tanpa transkrip, yang lebih cepat daripada kloning dengan transkrip.) Di CPU, selisihnya lebih besar lagi: CosyVoice 3 mengkloning satu kalimat dengan CPU dalam sekitar dua menit, sedangkan Qwen3-TTS lebih dari 4,5 menit. Untuk kloning suara dengan Qwen3-TTS, GPU terintegrasi hampir wajib.

Cara menginstal Qwen3-TTS (versi CPU)

Saya memakai Linux (Arch) dan mengelola Python dengan uv. Pengembangnya menyarankan penggunaan lingkungan baru dengan 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

Instal torch dari repositori paket khusus CPU milik PyTorch terlebih dahulu. Kalau tidak, di Linux yang terunduh secara default adalah versi dengan CUDA, yang memerlukan ruang penyimpanan beberapa GB lebih besar.

Pengembangnya juga menyarankan FlashAttention 2 untuk mempercepat pemrosesan, tetapi paket ini opsional dan butuh kartu grafis yang kompatibel. CPU dan GPU terintegrasi Intel tidak bisa memakainya, jadi bisa dilewati.

Membuat kalimat pertama

import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

# Kloning suara: model Base + suara referensi + transkrip suara referensi
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Dialog yang ingin dibacakan", language="Chinese",
                                  ref_audio="ref.wav", ref_text="Transkrip rekaman referensi")
sf.write("out.wav", wavs[0], sr)

Saat pertama kali dijalankan, model akan diunduh otomatis dari Hugging Face. Untuk suara bawaan, ganti ke model 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="Dialog yang ingin dibacakan", speaker="Uncle_Fu", language="Chinese")

language bisa diisi nama bahasa seperti Chinese, English, Japanese, atau Auto agar model menentukannya sendiri.

Mempercepat dengan GPU terintegrasi Intel (PyTorch XPU)

Inilah inti artikel ini. Backend PyTorch untuk chip grafis Intel bernama XPU, dan versi XPU siap pakai bisa langsung diinstal dari repositori resmi, tanpa perlu dikompilasi sendiri.

Menurut panduan XPU resmi PyTorch, chip grafis Intel yang didukung meliputi kartu grafis terpisah Arc seri A/B, serta GPU terintegrasi Core Ultra: Meteor Lake, Arrow Lake, Lunar Lake, dan Panther Lake. Sistem operasi yang tercantum adalah Windows 11 dan Ubuntu (Panther Lake butuh Ubuntu 26.04). Saya memakai Arch Linux yang tidak ada di daftar, tapi tetap bisa berjalan.

Saya membuat lingkungan virtual terpisah khusus untuk GPU terintegrasi dan membiarkan lingkungan versi CPU tetap seperti semula.

1. Instal driver komputasi Intel

Sistem desktop biasa hanya memasang driver tampilan. Agar PyTorch bisa memakai chip grafis untuk komputasi, Anda juga perlu driver komputasi Intel (Level Zero). Di Arch Linux:

sudo pacman -S intel-compute-runtime

2. Instal PyTorch versi 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))"

Kalau muncul True Intel(R) Graphics, berarti GPU terintegrasinya sudah terdeteksi. Versi yang terinstal di laptop saya adalah PyTorch 2.15.0.

3. Kunci versi torch, lalu instal qwen-tts

Saat qwen-tts diinstal di langkah berikutnya, pengelola paket juga memeriksa dependensi torch. Kalau pengelola paket dibiarkan memilih sendiri, versi XPU yang baru saja diinstal bisa diganti dengan versi biasa. Jadi, saya membuat berkas batasan versi terlebih dahulu untuk menguncinya:

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

Ganti nomor versinya dengan versi yang benar-benar terinstal di komputer Anda (cek dengan uv pip list). --index-strategy unsafe-best-match membuat uv bisa memilih paket dari PyPI dan repositori XPU PyTorch sekaligus.

Di langkah ini, CosyVoice 3 di artikel sebelumnya mengalami konflik paket triton: openai-whisper ikut menginstal triton versi lama yang menimpa triton-xpu yang dibutuhkan XPU. Qwen3-TTS tidak memakai openai-whisper, jadi kali ini masalah itu tidak muncul. Kalau Anda melihat pesan kesalahan cannot import name 'make_tensordesc_args', cara mengatasinya bisa dilihat di artikel sebelumnya.

4. Ubah device_map menjadi xpu

Inilah perbedaan terbesar dengan CosyVoice 3. Kode CosyVoice hanya mengenali CUDA, jadi saya harus memuat model di CPU dulu, lalu memindahkannya ke GPU terintegrasi secara manual. Qwen3-TTS memakai mekanisme pemuatan dari Hugging Face transformers, jadi cukup ubah device_map menjadi "xpu", tanpa mengubah kode sumber paketnya:

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

dtype menentukan presisi numerik yang dipakai model dalam perhitungan. float32 adalah bilangan floating point 32 bit: presisinya tinggi, tapi lebih lambat dan lebih boros memori. bfloat16 hanya memakai 16 bit: cepat, hemat memori, tapi presisinya lebih rendah. Contoh resminya memakai dtype=torch.bfloat16.

Biasanya saya memakai float32, dan saya juga mencoba bfloat16: waktu pembuatan kalimat yang sama turun dari 16–18 detik menjadi sekitar 12 detik. Setelah audio hasilnya ditranskripsikan dengan pengenal suara (Whisper), isi teksnya juga benar. Tetapi panjang audio dari dua kali pembuatan itu berbeda (bfloat16 5,3 detik, float32 6,0 detik), jadi perbedaan ini perlu diperhatikan saat membandingkan kecepatan.

Saya membandingkan kedua versi itu: perbedaan kualitas suaranya sangat kecil dan baru terdengar jika disimak dengan teliti. Karena itu, kalau menjalankannya di GPU terintegrasi Intel, saya sarankan langsung pakai bfloat16. Dalam pengujian ini, waktu pembuatan setiap kalimat bisa dihemat lagi sekitar 30%.

Pembuatan pertama di GPU terintegrasi perlu mengompilasi program komputasinya dulu, jadi lebih lambat; pembuatan berikutnya dalam program yang sama akan berjalan dengan kecepatan normal. Karena itu, saat membuat banyak dialog sekaligus, muat model sekali saja, lalu bacakan dialog satu per satu, jangan menjalankan ulang program untuk setiap kalimat.

Saya menggabungkan cara menjalankan model di CPU dan GPU terintegrasi dalam satu perintah, lalu menaruhnya di ~/tools/qwen3-tts/, sehingga bisa dipanggil langsung dari proyek mana pun. Tambahkan --device xpu untuk beralih ke lingkungan GPU terintegrasi.

Uji 1: kloning suara AI dengan suara saya sendiri

Rekaman referensinya sama dengan yang dipakai dalam artikel sebelumnya: suara saya sepanjang 8 detik yang direkam dengan ponsel. Per 21 November 2026, Qwen3-TTS belum bisa berbahasa Indonesia (yang didukung 10 bahasa), jadi contoh lintas bahasa di bawah memakai bahasa Inggris.

Pernyataan: semua contoh audio di bagian ini adalah suara asli penulis, Terry L, atau hasil kloning dari suara penulis sendiri. Hak cipta dilindungi; jangan mengunduh, mengunggah ulang, atau menggunakannya di tempat lain (termasuk untuk kloning).
Rekaman asli saya (8 detik): "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。" (Selamat datang di pangkalan bulan saya. Artikel-artikel saya mencatat pengujian berbagai alat, semoga bermanfaat.) Hak cipta dilindungi, jangan digunakan di tempat lain

Saya tidak pernah mengucapkan dua kalimat di bawah ini. Keduanya dibuat oleh Qwen3-TTS 0.6B di GPU terintegrasi Intel, dengan mengkloning suara dari rekaman di atas menggunakan transkripnya. Dialog dan transkripnya sama-sama diubah ke aksara sederhana dulu sebelum dimasukkan (alasannya ada di Uji 2):

Suara hasil kloning saya: "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。" (Kalimat ini dikloning oleh Qwen3-TTS dari rekaman suara saya sepanjang delapan detik. Saya sendiri tidak pernah mengucapkannya.) Hak cipta dilindungi, jangan digunakan di tempat lain
Suara hasil kloning saya: "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。" (Suara ini dibuat di GPU terintegrasi Intel pada laptop saya, tanpa kartu grafis NVIDIA.) Hak cipta dilindungi, jangan digunakan di tempat lain

Kalimat kedua lebih sulit dibaca: dialognya berisi "Intel", "NVIDIA", "內顯" (GPU terintegrasi), dan "顯示卡" (kartu grafis), campuran Mandarin dan Inggris. Saya membuat 3 versi berturut-turut. Pada dua versi pertama, model salah membaca "顯示卡" atau mengucapkan "NVIDIA" dengan kurang jelas; baru versi ketiga yang sepenuhnya benar. Saat memakai Qwen3-TTS untuk dialog seperti ini, buatlah beberapa versi lalu pilih yang terbaik.

Menurut saya, suara Mandarin yang dihasilkan sangat mirip dengan suara saya sendiri.

Kloning lintas bahasa: rekaman Mandarin yang sama juga bisa dipakai untuk membacakan teks bahasa Inggris dan Jepang:

Suara hasil kloning saya membacakan teks bahasa Inggris: "This sentence was generated by Qwen3-TTS from an eight-second clip of my voice. I never actually said it." (Kalimat ini dibuat oleh Qwen3-TTS dari rekaman suara saya sepanjang delapan detik. Saya tidak pernah benar-benar mengucapkannya.) Hak cipta dilindungi, jangan digunakan di tempat lain
Suara hasil kloning saya membacakan teks bahasa Jepang: "この声は、私の8秒の録音から作られました。" (Suara ini dibuat dari rekaman 8 detik saya.) Hak cipta dilindungi, jangan digunakan di tempat lain

Saya mentranskripsikan audio bahasa Jepang dengan pengenal suara (Whisper) untuk mencocokkannya dengan teks asli, dan isinya sepenuhnya benar. Kalimat bahasa Inggris juga benar semuanya, kecuali nama "Qwen3-TTS" yang ditranskripsikan menjadi kata lain; tidak ada kata yang ditambahkan atau terlewat.

Tapi isi yang benar belum tentu enak didengar. Menurut pendengaran saya, kalimat bahasa Inggris itu sangat tersendat, terputus-putus, kurang alami. Dengan rekaman yang sama, CosyVoice 3 di artikel sebelumnya jelas jauh lebih lancar membacakan bahasa Inggris. Kalau ingin memakai suara sendiri untuk bahasa lain, CosyVoice 3 lebih unggul dalam kloning lintas bahasa.

Uji 2: dialog Arthur

Halaman utama situs ini adalah gim mini 3D: sebuah pangkalan bulan tempat Anda mengendalikan astronaut. Di dalamnya ada bar dengan robot bartender bernama Arthur. Karakter ini merupakan bentuk penghormatan kepada Arthur, bartender android dalam film Passengers (2016). Saya sengaja tidak meniru suara Michael Sheen, pemeran Arthur di film itu; sekarang Arthur berbicara dengan suara saya. Qwen3-TTS tidak bisa berbahasa Indonesia, jadi berikut dialog Arthur dalam bahasa Mandarin:

Suara hasil kloning saya membacakan dialog Arthur (input aksara sederhana): "酒保是替人保守秘密的。这是这份行业的神圣信用。" (Bartender adalah penjaga rahasia orang lain. Itulah amanah suci profesi ini.) Hak cipta dilindungi, jangan digunakan di tempat lain

Kalau memakai Qwen3-TTS untuk bahasa Mandarin, ubah dulu dialognya ke aksara sederhana: dengan input aksara tradisional, karakter yang punya beberapa cara baca bisa salah diucapkan. Saat saya dengarkan versi aksara tradisional dari kalimat ini, "行業" (profesi) terbaca menjadi "商議" (berunding), sedangkan versi aksara sederhana membacanya dengan benar sebagai háng. Tidak perlu mengonversinya secara manual; dengan paket Python OpenCC, konversinya cukup satu baris:

from opencc import OpenCC
t2s = OpenCC("t2s").convert
text = t2s("這是這份行業的神聖信用")  # Hasil dalam aksara sederhana: 这是这份行业的神圣信用

Uji 3: 9 suara bawaan (CustomVoice)

Kalau tidak ingin mengkloning, atau karakter Anda belum punya suara referensi, Anda bisa langsung memakai suara bawaan. Semua contoh di bawah ini dibuat dengan CustomVoice 0.6B di GPU terintegrasi, dengan dialog "歡迎來到月球基地的酒吧。今天想喝點什麼?" (Selamat datang di bar pangkalan bulan. Mau minum apa hari ini?), dimasukkan dalam aksara sederhana:

Suara bawaan Uncle_Fu
Suara bawaan Vivian
Suara bawaan Serena
Suara bawaan Dylan (dialek Beijing)
Suara bawaan Eric (dialek Sichuan)

Suara bawaan bahasa Inggris Aiden, dengan dialog "Welcome to the bar on the lunar base. What can I get you tonight?":

Suara bawaan Aiden (bahasa Inggris)

Begitu Eric mulai bicara, logat Sichuannya langsung terdengar. Kalau ingin karakter Anda punya sedikit logat daerah, suara ini bisa langsung dipakai.

CustomVoice 0.6B tidak bisa mengatur gaya bicara dengan perintah. Untuk kontrol seperti "ucapkan dengan nada marah", Anda perlu beralih ke 1.7B.

Qwen3-TTS atau CosyVoice 3, pilih yang mana?

Keduanya adalah model open source dari Alibaba dengan lisensi Apache-2.0 yang boleh dipakai secara komersial. Saya sudah menguji keduanya di laptop yang sama:

Butir

Qwen3-TTS 0.6B

CosyVoice 3 (0.5B)

Lisensi

Apache-2.0

Apache-2.0

Bahasa

10 bahasa

9 bahasa (tanpa Portugis)

Dialek

Suara bawaan punya dialek Beijing dan Sichuan

Lebih dari 18, diganti dengan perintah

Input bahasa Mandarin

Harus diubah ke aksara sederhana dulu

Sebagian besar bisa langsung dengan aksara tradisional

Atur gaya bicara dengan perintah

0.6B tidak bisa (CustomVoice dan VoiceDesign 1.7B bisa, Base tidak)

Bisa (dialek, kecepatan, emosi)

Memakai GPU terintegrasi Intel

Cukup ubah device_map menjadi "xpu"

Model harus dipindahkan ke GPU terintegrasi secara manual

Kloning 1 kalimat di GPU terintegrasi (dialog sama)

16–28 detik (bfloat16 lebih cepat)

29–61 detik

Kloning 1 kalimat di CPU

Lebih dari 4,5 menit

Sekitar 2 menit

Kloning lintas bahasa (rekaman Mandarin untuk membacakan bahasa Inggris)

Terdengar sangat tersendat

Jauh lebih lancar

Singkatnya:

  • Punya GPU terintegrasi Intel, butuh kecepatan, ingin langsung pakai suara bawaan: Qwen3-TTS. Pengaturannya paling sederhana, kloningnya juga lebih cepat.
  • Ingin memakai suara sendiri untuk bahasa Inggris atau bahasa lain: CosyVoice 3. Kloning lintas bahasanya jauh lebih lancar.
  • Dialog sebagian besar dalam bahasa Mandarin aksara tradisional, butuh dialek atau perintah untuk mengatur emosi: CosyVoice 3. Sebagian besar bisa langsung memakai aksara tradisional, dan cukup satu kalimat untuk menentukan bahasa Kanton, dialek Sichuan, kecepatan, dan emosi.
  • Hanya punya CPU: CosyVoice 3 mengkloning satu kalimat dalam sekitar dua menit, Qwen3-TTS lebih dari 4,5 menit. Kalau hanya ada CPU, CosyVoice 3 lebih praktis.

Bolehkah mengkloning suara orang lain?

Secara teknis bisa, asalkan ada rekaman yang bersih. Tetapi kloninglah hanya suara Anda sendiri atau suara orang yang sudah memberi izin. Lisensi Apache-2.0 mengizinkan penggunaan model secara komersial, tetapi tidak berarti Anda boleh memakai suara siapa saja. Suara tokoh terkenal dilindungi hak kepribadian; memakai suara orang lain untuk mengucapkan hal yang tidak pernah ia katakan juga bisa termasuk penipuan atau pencemaran nama baik.

Pertanyaan umum

Apakah Qwen3-TTS boleh dipakai untuk keperluan komersial?

Boleh. Model dan encoder suara Qwen3-TTS sama-sama memakai lisensi Apache-2.0. Tetapi suara referensinya harus suara Anda sendiri, atau suara orang yang sudah memberi izin.

Bisakah Qwen3-TTS berjalan tanpa kartu grafis NVIDIA?

Bisa. Versi 0.6B bisa berjalan di CPU, tapi kloning suara butuh beberapa menit per kalimat. Kalau Anda punya GPU terintegrasi Intel Core Ultra atau kartu grafis Arc, instal PyTorch versi XPU dan ubah device_map menjadi "xpu". Di laptop saya, kloning satu dialog 6 detik butuh sekitar 16–18 detik, lebih dari 10 kali lebih cepat daripada CPU.

Apakah Qwen3-TTS mendukung bahasa Indonesia?

Per 21 November 2026, belum. Model ini mendukung 10 bahasa: Mandarin, Inggris, Jepang, Korea, Jerman, Prancis, Rusia, Portugis, Spanyol, dan Italia. Anda bisa mengkloning suara sendiri lalu membuatnya membacakan teks dalam salah satu bahasa tersebut; khusus bahasa Mandarin, ubah dulu dialognya ke aksara sederhana.

Apakah Qwen3-TTS bisa berbicara dalam dialek Tiongkok?

Dari 10 bahasa resminya, tidak ada bahasa Kanton maupun Taiwanese Hokkien. Dialek yang tersedia pada suara bawaannya hanya dialek Beijing (Dylan) dan dialek Sichuan (Eric). Untuk bahasa Kanton, Anda bisa mempertimbangkan CosyVoice 3, karena perintah dialeknya mencakup bahasa Kanton.

Apa beda Qwen3-TTS 0.6B dan 1.7B?

1.7B punya tambahan VoiceDesign (merancang suara dari deskripsi teks), dan CustomVoice-nya bisa mengatur gaya bicara dengan perintah; 0.6B hanya punya kloning suara dan suara bawaan. Kedua ukuran model sama-sama mendukung 10 bahasa.

Berapa panjang rekaman referensi untuk kloning suara AI?

Menurut pengembangnya, rekaman sepanjang 3 detik sudah cukup untuk kloning suara. Saya memakai rekaman 8 detik, disertai transkrip yang sama persis kata demi kata. Rekaman harus dibuat di tempat tenang dan hanya berisi satu orang yang berbicara.

Penutup: GPU terintegrasi Intel pun bisa untuk kloning suara

Dalam artikel pengantar, saya kira tanpa kartu grafis NVIDIA, kloning suara dengan Qwen3-TTS mustahil dilakukan. Setelah beralih ke GPU terintegrasi Intel, waktu pembuatan kalimat yang sama turun dari lebih dari 4,5 menit menjadi 16–18 detik, dan yang saya ubah hanya satu parameter, device_map. Kalau laptop Anda memakai Core Ultra, ini sangat layak dicoba.

Kalau Anda juga sudah mencoba Qwen3-TTS, atau pernah menjalankan model AI lain di GPU terintegrasi Intel, silakan tinggalkan komentar di Threads atau X.