Qwen3-TTS: clonare la voce con l'AI, 10x più veloce su GPU Intel
Clonare la voce con 8 s di audio: meno di 20 s a frase sulla GPU Intel integrata, 10x più veloce della CPU. Test: XPU, lingue, voci.

Questo è il terzo articolo della mia serie sul TTS (sintesi vocale) open source. In «Text to speech italiano gratis: Kokoro e Chatterbox per i giochi» ho fatto una panoramica, e nel precedente, «CosyVoice 3: clonare gratis la voce con l'AI, anche su CPU», ho presentato un modello di clonazione vocale che gira anche solo sulla CPU. Stavolta tocca a Qwen3-TTS.
Nella panoramica avevo fatto girare la clonazione vocale di Qwen3-TTS sulla CPU: per una sola battuta servivano più di 4 minuti. La mia conclusione di allora: «per clonare tante battute serve una scheda video NVIDIA». Questa volta ho usato la GPU integrata Intel del mio portatile, e la stessa battuta richiede solo 16-18 secondi. In questo test la generazione è stata più di 10 volte più veloce, senza toccare il codice sorgente del pacchetto. Una precisazione: durante il test sulla CPU c'erano altri programmi aperti, mentre il test sulla GPU integrata è stato fatto senza altri carichi. In questo articolo racconto come installarlo sulla GPU integrata Intel (PyTorch XPU) e faccio una vera dimostrazione di clonazione vocale con la mia voce.
Cos'è Qwen3-TTS? Si può usare a scopo commerciale?
Qwen3-TTS è una famiglia di modelli di generazione vocale che il team Qwen (Tongyi Qianwen) di Alibaba ha rilasciato open source il 22 gennaio 2026. I dati seguenti provengono dal repository GitHub e dalla pagina del modello su Hugging Face, consultati il 21/11/2026:
Voce | Dettagli |
|---|---|
Licenza | Apache-2.0, uso commerciale consentito |
Dimensioni | 0,6B (600 milioni di parametri) e 1,7B (1,7 miliardi di parametri) |
Lingue | cinese, inglese, giapponese, coreano, tedesco, francese, russo, portoghese, spagnolo e italiano: 10 in tutto |
Clonazione vocale | secondo il team bastano 3 secondi di voce di riferimento |
Dati di addestramento | il report tecnico parla di oltre 5 milioni di ore di parlato in 10 lingue |
Installazione |
|
Tre modelli: Base, CustomVoice e VoiceDesign
Qwen3-TTS offre tre modelli per usi diversi. Il «12Hz» nel nome indica l'encoder vocale che utilizza:
Modello | Uso | 0,6B | 1,7B | Controllo del tono con istruzioni |
|---|---|---|---|---|
Base | Clonazione vocale; serve anche come base per il fine-tuning | Sì | Sì | No |
CustomVoice | 9 voci integrate | Sì | Sì | Solo con 1,7B |
VoiceDesign | Progettare una voce nuova partendo da una descrizione scritta | No | Sì | Sì |
In questo articolo uso sempre lo 0,6B. Scaricati da Hugging Face, Base e CustomVoice occupano circa 2,4 GB ciascuno.
Le 9 voci integrate
Le voci integrate di CustomVoice (dalla descrizione ufficiale, tradotta da me):
Nome | Voce | Lingua madre |
|---|---|---|
Vivian | Voce femminile giovane, brillante e con un po' di carattere | Cinese |
Serena | Voce femminile giovane, calda e dolce | Cinese |
Uncle_Fu | Voce maschile matura, profonda e piena | Cinese |
Dylan | Voce maschile giovane, accento di Pechino | Cinese (dialetto di Pechino) |
Eric | Voce maschile vivace di Chengdu, leggermente roca | Cinese (sichuanese) |
Ryan | Voce maschile molto ritmata | Inglese |
Aiden | Voce maschile americana, solare | Inglese |
Ono_Anna | Voce femminile giocosa e leggera | Giapponese |
Sohee | Voce femminile calda ed espressiva | Coreano |
Il team consiglia di usare ogni voce nella sua lingua madre per ottenere il risultato migliore; detto questo, ogni voce può parlare tutte e 10 le lingue.
Requisiti: funziona senza scheda video NVIDIA?
Sì. Gli esempi ufficiali usano tutti device_map="cuda:0", con bfloat16 e FlashAttention 2, e né GitHub né la pagina del modello parlano di CPU o di grafica Intel. In pratica, però, gira sia sulla CPU sia sulla GPU integrata Intel.
Il mio portatile ha un Intel Core Ultra 5 322 (6 core) con GPU integrata Panther Lake e nessuna scheda video dedicata. Clonando la mia voce con lo 0,6B, per la stessa battuta in cinese di circa 6 secondi (inserita in cinese semplificato):
Hardware | Tempo di generazione | Fattore di tempo (più basso = più veloce) |
|---|---|---|
CPU (6 core) | circa 270 s | circa 42 |
GPU integrata Intel (PyTorch XPU) | 16-18 s | 2,7-3,0 |
GPU integrata Intel con bfloat16 | circa 12 s | circa 2,2 |
Il fattore di tempo è il tempo di generazione diviso per la durata dell'audio: 3,0 vuol dire che per generare 1 secondo di voce servono 3 secondi.
Sulla CPU ho effettuato due misurazioni: 272 e 402 secondi. Durante le misure c'erano altri programmi aperti, da qui la grande differenza, ma in entrambi i casi ci sono voluti più di 4 minuti e mezzo. Sulla GPU integrata ho misurato con il computer senza altri carichi, generando la stessa battuta 3 volte di fila: la prima generazione richiede la compilazione e impiega circa 20 secondi; le successive, 16-18 secondi.
In più, il caricamento del modello richiede 6-10 secondi. Le voci integrate (CustomVoice) sulla GPU integrata hanno velocità simili: una battuta di circa 8 secondi richiede 18-20 secondi.
Rispetto a CosyVoice 3 dell'articolo precedente, nella clonazione vocale sulla GPU integrata Qwen3-TTS è circa 2 volte più veloce. Li ho confrontati usando la stessa registrazione e le stesse due battute: Qwen3-TTS impiega 16-28 secondi a battuta, CosyVoice 3 29-61 secondi. (Il fattore 2,5 indicato nell'articolo su CosyVoice 3 si riferisce alla modalità multilingue senza trascrizione, più veloce della clonazione con trascrizione.) Sulla CPU il divario è ancora più ampio: CosyVoice 3 clona una battuta in circa due minuti, Qwen3-TTS ci mette più di 4 minuti e mezzo. Per clonare la voce con Qwen3-TTS, la GPU integrata è quasi indispensabile.
Installare Qwen3-TTS (versione CPU)
Il mio ambiente è Linux (Arch), con Python gestito da uv. Il team consiglia un ambiente nuovo 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 soundfilePer prima cosa installo torch dall'indice dei pacchetti CPU di PyTorch; altrimenti su Linux viene scaricata di default la versione con CUDA, che occupa diversi GB in più.
Il team consiglia anche di installare FlashAttention 2 per velocizzare la generazione, ma è facoltativo e richiede una scheda video compatibile: né la CPU né la GPU integrata Intel lo usano, quindi si può saltare.
Generare la prima frase
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# Clonazione vocale: modello Base + audio di riferimento + trascrizione dell'audio di riferimento
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Battuta da pronunciare", language="Chinese",
ref_audio="ref.wav", ref_text="Quello che si dice nell'audio di riferimento")
sf.write("out.wav", wavs[0], sr)Alla prima esecuzione il modello viene scaricato automaticamente da Hugging Face. Per le voci integrate si usa il modello 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="Battuta da pronunciare", speaker="Uncle_Fu", language="Chinese")In language si può scrivere il nome di una lingua come Chinese, English o Japanese, oppure Auto per lasciarla riconoscere al modello.
Accelerare con la GPU integrata Intel (PyTorch XPU)
Questo è il cuore dell'articolo. In PyTorch il backend per la grafica Intel si chiama XPU, e dall'indice ufficiale dei pacchetti si installa una versione XPU già pronta, senza compilare niente.
Secondo la documentazione ufficiale XPU di PyTorch, sono supportate le schede dedicate Arc delle serie A e B e le GPU integrate dei Core Ultra: Meteor Lake, Arrow Lake, Lunar Lake e Panther Lake. I sistemi elencati sono Windows 11 e Ubuntu (Panther Lake richiede Ubuntu 26.04). Io uso Arch Linux, che non è nell'elenco, e funziona lo stesso.
Creo un ambiente separato per la GPU integrata e lascio intatto quello della versione CPU.
1. Installare il driver di calcolo Intel
Un normale sistema desktop ha solo il driver video. Perché PyTorch possa eseguire calcoli sulla GPU, serve anche il driver di calcolo Intel (Level Zero). Su Arch Linux:
sudo pacman -S intel-compute-runtime2. Installare 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))"Se compare True Intel(R) Graphics, la GPU integrata è stata rilevata. A me ha installato PyTorch 2.15.0.
3. Bloccare la versione di torch, poi installare qwen-tts
Durante l'installazione di qwen-tts viene controllato anche torch. Se si lascia scegliere al gestore di pacchetti, potrebbe sostituire la versione XPU appena installata con una versione standard. Per questo scrivo prima un file di vincoli che blocca le versioni:
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 soundfileSostituisci i numeri di versione con quelli che hai effettivamente installato (li vedi con uv pip list). --index-strategy unsafe-best-match permette a uv di scegliere i pacchetti sia da PyPI sia dall'indice dei pacchetti XPU di PyTorch.
Con CosyVoice 3, nell'articolo precedente, a questo punto c'era un conflitto con triton: openai-whisper installava come dipendenza una vecchia versione di triton, che sovrascriveva il triton-xpu necessario a XPU. Qwen3-TTS non usa openai-whisper, quindi stavolta il problema non si è presentato. Se vedi l'errore cannot import name 'make_tensordesc_args', la soluzione è nell'articolo precedente.
4. Impostare device_map su xpu
Qui sta la differenza principale rispetto a CosyVoice 3. Il codice di CosyVoice riconosce solo CUDA, quindi dovevo caricare il modello sulla CPU e poi spostarlo a mano sulla GPU integrata. Qwen3-TTS carica i modelli tramite Hugging Face transformers, quindi basta impostare device_map su "xpu", senza modificare il codice sorgente del pacchetto:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype indica la precisione numerica usata dal modello per i calcoli. float32 è un formato in virgola mobile a 32 bit: preciso, ma più lento e con un maggiore consumo di memoria. bfloat16 usa solo 16 bit: è più veloce e leggero, ma meno preciso. Gli esempi ufficiali usano dtype=torch.bfloat16.
Di solito uso float32, ma ho provato anche bfloat16: il tempo di generazione della stessa battuta è passato da 16-18 secondi a circa 12 e, riconvertendo l'audio in testo con il riconoscimento vocale (Whisper), ho verificato che il contenuto era corretto. Però i due audio avevano durate diverse (5,3 secondi con bfloat16, 6,0 secondi con float32): bisogna tenerne conto quando si confrontano le velocità.
Ho confrontato le due versioni: la differenza di qualità è minima, bisogna ascoltare con attenzione per sentirla. Per questo, sulla GPU integrata Intel consiglio di usare direttamente bfloat16: in questo test si risparmia circa un altro 30 % di tempo a battuta.
La prima generazione sulla GPU integrata è più lenta perché richiede la compilazione; le successive, nella stessa esecuzione del programma, procedono a velocità normale. Quindi, per generare una serie di battute, carica il modello una volta sola e genera le battute una dopo l'altra, invece di riavviare il programma a ogni battuta.
Ho riunito le due modalità, CPU e GPU integrata, in un unico comando che tengo in ~/tools/qwen3-tts/ e che posso richiamare da qualsiasi progetto. Con --device xpu passa all'ambiente della GPU integrata.
Test 1: clonare la voce con l'AI, una dimostrazione con la mia
La registrazione di riferimento è la stessa dell'articolo precedente: 8 secondi registrati con il telefono.
Avvertenza: tutti gli audio di questa sezione contengono la voce dell'autore, Terry L, o cloni della sua voce. Tutti i diritti riservati: non scaricarli, non ripubblicarli e non usarli altrove (nemmeno per clonarli).
Le due frasi seguenti non le ho mai pronunciate: le ha generate Qwen3-TTS 0,6B clonando la mia voce sulla GPU integrata Intel, partendo dalla registrazione qui sopra e dalla sua trascrizione. Sia le battute sia la trascrizione sono state prima convertite in cinese semplificato (spiego il perché nel test 2):
La seconda frase è più difficile: mescola cinese e inglese, con «Intel», «NVIDIA», «內顯» (GPU integrata) e «顯示卡» (scheda video). Ne ho generate 3 versioni di fila: le prime due pronunciavano male «顯示卡» oppure biascicavano «NVIDIA», solo la terza era del tutto corretta. Con battute del genere in Qwen3-TTS, ricordati di generare più versioni e scegliere la migliore.
A me la voce generata in cinese sembra molto simile alla mia.
Clonare la voce da una lingua all'altra: con la stessa registrazione in cinese posso far parlare la mia voce anche in italiano, inglese e giapponese:
Ho trascritto di nuovo la frase giapponese con un sistema di riconoscimento vocale (Whisper) per confrontare il testo: era tutto corretto. Nella frase inglese, a parte il nome «Qwen3-TTS» trascritto come qualcos'altro, era tutto giusto, senza parole in più o in meno.
Ma un contenuto corretto non basta a garantire un buon risultato. Al mio orecchio la frase inglese è molto spezzettata, a singhiozzo, poco naturale. Con la stessa registrazione, CosyVoice 3, presentato nell'articolo precedente, parla inglese in modo molto più fluido. Per far parlare la propria voce in altre lingue, vince CosyVoice 3 nella clonazione multilingue.
Test 2: la battuta di Arthur in italiano
Nella home page del mio sito c'è un minigioco in 3D: una base lunare in cui si va in giro con un astronauta fino al bar. Al banco c'è Arthur, un robot barista che rende omaggio al barista androide del film Passengers (2016). Non cerco di imitare la voce di Michael Sheen: ora Arthur parla con la mia voce. Ecco la sua battuta, clonata con Qwen3-TTS:
Se vuoi far parlare Qwen3-TTS in cinese, converti prima il testo in cinese semplificato: se lo inserisci in cinese tradizionale, pronuncia male i caratteri che hanno più letture. Nella versione cinese di questa battuta ho sentito «行業» (mestiere) pronunciato come «商議» (negoziare). Il pacchetto Python OpenCC fa la conversione in una riga, anche per la trascrizione della registrazione di riferimento.
Test 3: le 9 voci integrate (CustomVoice)
Se non vuoi clonare, o non hai ancora una voce di riferimento per un personaggio, puoi usare direttamente le voci integrate. Tutti gli audio qui sotto sono stati generati con CustomVoice 0,6B sulla GPU integrata, con la battuta «歡迎來到月球基地的酒吧。今天想喝點什麼?» (Benvenuto al bar della base lunare. Cosa ti va di bere oggi?), inserita in cinese semplificato:
Per la voce integrata inglese Aiden, la battuta è «Welcome to the bar on the lunar base. What can I get you tonight?»:
Appena Eric apre bocca si sente l'accento del Sichuan: se vuoi dare a un personaggio un accento regionale, puoi usarlo così com'è.
CustomVoice 0,6B non permette di controllare il tono con le istruzioni. Per richieste come «dillo con tono arrabbiato» bisogna passare all'1,7B.
Qwen3-TTS o CosyVoice 3: quale scegliere?
Entrambi sono modelli open source di Alibaba, con licenza Apache-2.0 e uso commerciale consentito. Li ho provati tutti e due sullo stesso portatile:
Voce | Qwen3-TTS 0,6B | CosyVoice 3 (0,5B) |
|---|---|---|
Licenza | Apache-2.0 | Apache-2.0 |
Lingue | 10 | 9 (niente portoghese) |
Dialetti | Voci integrate in dialetto di Pechino e sichuanese | Oltre 18, si scelgono con le istruzioni |
Testo in cinese | Va convertito prima in semplificato | Il tradizionale funziona quasi sempre così com'è |
Controllo del tono con istruzioni | Non con 0,6B (sì con CustomVoice e VoiceDesign 1,7B, non con Base) | Sì (dialetto, velocità, emozione) |
GPU integrata Intel | Basta impostare | Il modello va spostato a mano |
Clonare una battuta su GPU integrata (stesse battute) | 16-28 s (più veloce con bfloat16) | 29-61 s |
Clonare una battuta su CPU | Oltre 4 minuti e mezzo | Circa 2 minuti |
Clonazione multilingue (dalla registrazione in cinese al parlato in inglese) | Molto spezzettata all'ascolto | Molto più fluida |
In breve:
- Hai una GPU integrata Intel, cerchi velocità e vuoi usare direttamente le voci integrate: Qwen3-TTS ha la configurazione più semplice e offre anche una clonazione più veloce.
- Vuoi far parlare la tua voce in inglese o in altre lingue: CosyVoice 3, molto più fluido nella clonazione multilingue.
- Le battute sono soprattutto in cinese tradizionale e ti servono dialetti o istruzioni sulle emozioni: CosyVoice 3, che accetta quasi sempre il cinese tradizionale così com'è e permette di scegliere il cantonese o il sichuanese e impostare velocità ed emozione con una semplice istruzione.
- Solo CPU: CosyVoice 3 clona una battuta in circa due minuti, Qwen3-TTS in più di 4 minuti e mezzo. Senza GPU, CosyVoice 3 è più pratico.
Si può clonare la voce di un'altra persona?
Tecnicamente sì, basta una registrazione pulita. Ma clona solo la tua voce o quella di chi ti ha dato il consenso. La licenza Apache-2.0 consente l'uso commerciale del modello in sé, non ti dà il diritto di usare la voce di chiunque. La voce dei personaggi noti è tutelata dai diritti della personalità, e far dire a qualcuno cose che non ha mai detto può configurare truffa o diffamazione.
Domande frequenti
Qwen3-TTS si può usare a scopo commerciale?
Sì. Il modello e l'encoder vocale di Qwen3-TTS sono rilasciati con licenza Apache-2.0. La voce di riferimento però deve essere la tua, o di una persona che ha dato il consenso.
Si può usare Qwen3-TTS senza scheda video NVIDIA?
Sì. Lo 0,6B gira sulla CPU, ma la clonazione vocale richiede diversi minuti a battuta. Con una GPU integrata Intel Core Ultra o una scheda Arc, installa PyTorch con XPU e imposta device_map su "xpu": sul mio portatile clonare una battuta di 6 secondi richiede 16-18 secondi, più di 10 volte più veloce che sulla CPU.
Si può clonare la voce in italiano con Qwen3-TTS?
Sì. L'italiano è una delle 10 lingue supportate. In questo articolo la mia voce clonata parla italiano partendo da una registrazione di riferimento in cinese.
Qwen3-TTS parla i dialetti cinesi?
Né il cantonese né l'hokkien sono tra le 10 lingue supportate ufficialmente, e gli unici dialetti delle voci integrate sono quello di Pechino (Dylan) e il sichuanese (Eric). Per il cantonese si può ricorrere a CosyVoice 3, che permette di selezionarlo tramite le istruzioni sui dialetti.
Che differenza c'è tra Qwen3-TTS 0,6B e 1,7B?
L'1,7B aggiunge VoiceDesign (progettare una voce da una descrizione scritta), e il suo CustomVoice permette di controllare il tono con le istruzioni; lo 0,6B ha solo la clonazione vocale e le voci integrate. Entrambe le dimensioni supportano 10 lingue.
Quanto deve durare la registrazione per clonare la voce con l'AI?
Secondo il team bastano 3 secondi. Io ho usato una registrazione di 8 secondi con la trascrizione esatta, parola per parola. Registra in un ambiente silenzioso, con una sola persona che parla.
Conclusione: anche la GPU integrata Intel sa clonare la voce
Nella panoramica pensavo che senza una scheda NVIDIA fosse inutile provare a clonare la voce con Qwen3-TTS. Passando alla GPU integrata Intel, il tempo di generazione della stessa battuta è sceso da oltre 4 minuti e mezzo a 16-18 secondi, cambiando un solo parametro: device_map. Se il tuo portatile ha un Core Ultra, vale davvero la pena provarlo.
Se hai provato Qwen3-TTS, o hai fatto girare altri modelli di AI su una GPU integrata Intel, raccontamelo su Threads o su X.

