Qwen3-TTS: clonar voz com IA, 10x mais rápido na GPU Intel
Clone sua voz com 8 s de áudio: na GPU Intel, a fala sai em menos de 20 s, 10x mais rápido que na CPU. XPU, vozes prontas e outros idiomas.

Este é o terceiro post da série sobre TTS (texto para fala) open source. Em TTS open source grátis para uso comercial, apresentei uma visão geral, e no post anterior, o tutorial do CosyVoice 3, mostrei uma clonagem de voz que roda até mesmo só na CPU. Agora é a vez do Qwen3-TTS.
Na visão geral, rodei a clonagem de voz do Qwen3-TTS na CPU, e cada fala levava mais de 4 minutos. A conclusão na época foi: "para clonar muitas falas, você vai precisar de uma placa de vídeo NVIDIA". Desta vez usei a GPU integrada Intel do meu notebook, e a mesma fala saiu em 16 a 18 segundos. Nesta medição, a geração foi mais de 10 vezes mais rápida, e sem mexer no código-fonte do pacote. Uma ressalva: durante o teste na CPU havia outros programas abertos, enquanto no teste da GPU integrada o computador não tinha outra carga. Neste post, registro a instalação para a GPU integrada Intel (PyTorch XPU) e faço uma demonstração de clonagem de voz com a minha própria voz.
O que é o Qwen3-TTS? Dá para usar comercialmente?
O Qwen3-TTS é uma família de modelos de geração de voz que a equipe Qwen (Tongyi Qianwen), da Alibaba, disponibilizou como open source em 22 de janeiro de 2026. Os dados abaixo vêm do GitHub e da página do modelo no Hugging Face, consultados em 21/11/2026:
Item | Detalhes |
|---|---|
Licença | Apache-2.0, permite uso comercial |
Tamanho | 0.6B (600 milhões de parâmetros) e 1.7B (1,7 bilhão de parâmetros) |
Idiomas | Chinês, inglês, japonês, coreano, alemão, francês, russo, português, espanhol e italiano: 10 no total |
Clonagem de voz | Segundo a documentação oficial, bastam 3 segundos de voz de referência |
Dados de treino | O relatório técnico fala em mais de 5 milhões de horas de fala em 10 idiomas |
Instalação |
|
O Qwen3-TTS fala português. Isso faz diferença: o CosyVoice 3, do post anterior, não suporta português. Se você quer clonar voz em português, o Qwen3-TTS é a opção entre os dois.
Três modelos: Base, CustomVoice e VoiceDesign
O Qwen3-TTS oferece três modelos para diferentes usos. O "12Hz" no nome se refere ao codificador de fala que ele usa:
Modelo | Para que serve | 0.6B | 1.7B | Controle de tom por comandos |
|---|---|---|---|---|
Base | Clonagem de voz; também serve para fine-tuning | Sim | Sim | Não |
CustomVoice | 9 vozes prontas | Sim | Sim | Só no 1.7B |
VoiceDesign | Cria uma voz nova a partir de uma descrição em texto | Não | Sim | Sim |
Neste post, usei sempre o 0.6B. Os modelos Base e CustomVoice baixados do Hugging Face ocupam cerca de 2,4 GB cada.
As 9 vozes prontas
As vozes prontas do CustomVoice (descrição oficial, traduzida por mim):
Nome | Voz | Idioma nativo |
|---|---|---|
Vivian | Voz feminina jovem, brilhante e com personalidade | Chinês |
Serena | Voz feminina jovem, calorosa e suave | Chinês |
Uncle_Fu | Voz masculina madura, grave e encorpada | Chinês |
Dylan | Voz masculina jovem, com sotaque de Pequim | Chinês (dialeto de Pequim) |
Eric | Voz masculina animada de Chengdu, levemente rouca | Chinês (dialeto de Sichuan) |
Ryan | Voz masculina com ritmo marcante | Inglês |
Aiden | Voz masculina americana, alegre | Inglês |
Ono_Anna | Voz feminina brincalhona e leve | Japonês |
Sohee | Voz feminina calorosa e expressiva | Coreano |
A recomendação oficial é usar cada voz no seu idioma nativo, em que ela soa melhor. Mesmo assim, todas as vozes conseguem falar os 10 idiomas.
Requisitos: roda sem placa de vídeo NVIDIA?
Roda. Os exemplos oficiais usam device_map="cuda:0", com bfloat16 e FlashAttention 2, e nem o GitHub nem a página do modelo falam de CPU ou de chips gráficos Intel. Na prática, tanto a CPU quanto a GPU integrada Intel dão conta.
Meu notebook tem um Intel Core Ultra 5 322 (6 núcleos), GPU integrada Panther Lake e nenhuma placa de vídeo dedicada. Usei o 0.6B para clonar a minha voz lendo a mesma fala em chinês, de uns 6 segundos (texto em chinês simplificado):
Onde roda | Tempo de geração | Fator de tempo (menor é mais rápido) |
|---|---|---|
CPU (6 núcleos) | cerca de 270 s | cerca de 42 |
GPU integrada Intel (PyTorch XPU) | 16 a 18 s | 2,7 a 3,0 |
GPU integrada Intel, com bfloat16 | cerca de 12 s | cerca de 2,2 |
O fator de tempo é o tempo de geração dividido pela duração do áudio. Um fator de 3,0, por exemplo, significa que cada segundo de áudio leva 3 segundos para ser gerado.
Medi o tempo de geração na CPU duas vezes: 272 e 402 segundos. Nas duas medições havia outros programas abertos, o que explica a grande diferença, mas nos dois casos o tempo passou de 4 minutos e meio. Na GPU integrada, fiz a medição com o computador sem outra carga, gerando a mesma fala 3 vezes seguidas: a primeira levou uns 20 segundos, porque o programa precisa compilar as rotinas antes, e as seguintes, de 16 a 18 segundos.
Carregar o modelo leva de 6 a 10 segundos. Com as vozes prontas (CustomVoice), a velocidade na GPU integrada é parecida: uma fala de uns 8 segundos sai em 18 a 20 segundos.
Comparado ao CosyVoice 3 do post anterior, na clonagem de voz o Qwen3-TTS é cerca de 2 vezes mais rápido na GPU integrada. Usei a mesma gravação e as mesmas duas falas: o Qwen3-TTS levou de 16 a 28 segundos por fala, e o CosyVoice 3, de 29 a 61 segundos. (O fator de tempo de 2,5 citado no post do CosyVoice 3 é do modo entre idiomas sem transcrição, que é mais rápido que a clonagem com transcrição.) Na CPU, a diferença é ainda maior: o CosyVoice 3 clona uma fala em cerca de dois minutos, e o Qwen3-TTS passa de 4 minutos e meio. Para clonar voz com o Qwen3-TTS, a GPU integrada é praticamente obrigatória.
Como instalar o Qwen3-TTS (versão CPU)
Meu ambiente é Linux (Arch), e eu gerencio o Python com o uv. A recomendação oficial é criar um ambiente novo com 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 soundfilePrimeiro instale o torch a partir do repositório do PyTorch com as versões para CPU. Caso contrário, no Linux ele baixa por padrão a versão com CUDA, que ocupa vários GB a mais.
A documentação oficial também recomenda instalar o FlashAttention 2 para acelerar a geração, mas ele é opcional e exige uma placa de vídeo compatível. Nem a CPU nem a GPU integrada Intel o utilizam, então você pode pular essa etapa.
Gerar a primeira fala
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# Clonagem de voz: modelo Base + voz de referência + transcrição do áudio de referência
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 a ser lido", language="Chinese",
ref_audio="ref.wav", ref_text="O que é dito no áudio de referência")
sf.write("out.wav", wavs[0], sr)Na primeira execução, o modelo é baixado automaticamente do Hugging Face. Para as vozes prontas, use o 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 a ser lido", speaker="Uncle_Fu", language="Chinese")Em language, você pode usar nomes de idiomas como Chinese, English, Japanese ou Portuguese, ou Auto para detectar o idioma automaticamente.
Como acelerar com a GPU integrada Intel (PyTorch XPU)
Esta é a parte principal do post. O backend do PyTorch para chips gráficos Intel se chama XPU, e já existe uma versão XPU pronta no repositório oficial, sem precisar compilar nada.
Segundo a documentação oficial do PyTorch sobre XPU, os chips gráficos Intel suportados incluem as placas dedicadas Arc das séries A e B e as GPUs integradas dos Core Ultra: Meteor Lake, Arrow Lake, Lunar Lake e Panther Lake. Os sistemas listados são Windows 11 e Ubuntu (Panther Lake exige Ubuntu 26.04). Eu uso Arch Linux, que não está na lista, e funcionou do mesmo jeito.
Criei um ambiente separado só para a GPU integrada e deixei o ambiente de CPU intacto.
1. Instalar o driver de computação da Intel
Uma instalação padrão de um sistema para desktop vem só com o driver de vídeo. Para o PyTorch usar o chip gráfico para cálculos, é preciso instalar também o driver de computação da Intel (Level Zero). No Arch Linux:
sudo pacman -S intel-compute-runtime2. Instalar o PyTorch com 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 aparecer True Intel(R) Graphics, a GPU integrada foi reconhecida. A versão instalada aqui foi o PyTorch 2.15.0.
3. Fixar a versão do torch antes de instalar o qwen-tts
A instalação do qwen-tts também verifica a dependência do torch. Se você deixar o gerenciador de pacotes escolher sozinho, ele pode trocar a versão XPU que acabou de ser instalada por uma versão comum. Por isso, primeiro criei um arquivo de restrições para travar as versões:
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 soundfileTroque os números pelas versões que você realmente instalou (você pode conferir com uv pip list). O --index-strategy unsafe-best-match deixa o uv escolher pacotes tanto do PyPI quanto do repositório XPU do PyTorch.
No post do CosyVoice 3, esta etapa causou um conflito com o triton: a instalação do openai-whisper trazia uma versão antiga do triton, que sobrescrevia o triton-xpu exigido pelo XPU. O Qwen3-TTS não usa o openai-whisper, então desta vez não tive esse problema. Se aparecer o erro cannot import name 'make_tensordesc_args', veja a solução no post anterior.
4. Trocar o device_map para xpu
Aqui está a maior diferença em relação ao CosyVoice 3. O código do CosyVoice só reconhece CUDA, então eu precisava carregar o modelo na CPU e depois movê-lo manualmente para a GPU integrada. O Qwen3-TTS usa o mecanismo de carregamento do Hugging Face transformers, então basta trocar o device_map para "xpu", sem mexer no código-fonte do pacote:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)O dtype é a precisão numérica usada nos cálculos do modelo. O float32 usa ponto flutuante de 32 bits: tem alta precisão, mas é mais lento e consome mais memória. O bfloat16 usa só 16 bits: é mais rápido e economiza memória, com precisão menor. Os exemplos oficiais usam dtype=torch.bfloat16.
No dia a dia eu uso float32, mas testei também o bfloat16: o tempo de geração da mesma fala caiu de 16 a 18 segundos para cerca de 12 segundos, e, ao transcrever o áudio com reconhecimento de fala (Whisper), o conteúdo estava correto. Só que os dois áudios saíram com durações diferentes (5,3 segundos no bfloat16 e 6,0 segundos no float32), e isso precisa ser levado em conta ao comparar velocidades.
Comparei as duas versões, e a diferença de qualidade é pequena: só dá para perceber prestando muita atenção. Por isso, na GPU integrada Intel, recomendo usar bfloat16 desde o início. Neste teste, isso economizou cerca de 30% do tempo por fala.
Na primeira geração na GPU integrada, o programa precisa compilar as rotinas de cálculo, então demora mais; dentro do mesmo programa, as gerações seguintes já saem na velocidade normal. Por isso, para gerar um lote de falas, carregue o modelo uma vez só e gere uma fala depois da outra, sem reiniciar o programa a cada fala.
Reuni as duas formas de uso, CPU e GPU integrada, em um único comando, salvo em ~/tools/qwen3-tts/, que qualquer projeto meu pode chamar. Com --device xpu, ele passa a usar o ambiente da GPU integrada.
Teste 1: clonagem de voz com a minha própria voz
A gravação de referência é a mesma do post anterior: 8 segundos da minha voz, gravados no celular.
Aviso de Terry L: todos os áudios de demonstração desta seção contêm a minha voz ou versões clonadas dela. Todos os direitos reservados. Não baixe, não republique e não use em nenhum outro lugar (inclusive para clonar).
Eu nunca falei as duas frases abaixo. Elas foram clonadas pelo Qwen3-TTS 0.6B, na GPU integrada Intel, a partir da gravação acima e da transcrição dela. Tanto as falas quanto a transcrição foram convertidas para chinês simplificado antes de serem enviadas ao modelo (o motivo está no teste 2):
A segunda frase é mais difícil, porque mistura chinês e inglês: "Intel", "NVIDIA", "內顯" (GPU integrada) e "顯示卡" (placa de vídeo). Gerei 3 versões seguidas. Nas duas primeiras, ou "顯示卡" saiu errado, ou "NVIDIA" saiu embolado; só a terceira ficou totalmente certa. Com falas assim no Qwen3-TTS, gere algumas versões e escolha a melhor.
Para mim, a voz gerada em chinês ficou muito parecida com a minha.
Clonagem entre idiomas: a mesma gravação em chinês também permite gerar falas em português, inglês e japonês:
Transcrevi a frase em japonês com reconhecimento de fala (Whisper) e comparei: o conteúdo estava totalmente correto. Na frase em inglês, tirando o nome "Qwen3-TTS", que foi transcrito como outra palavra, todo o resto estava certo, sem palavras extras nem omitidas.
Mas o conteúdo estar correto não quer dizer que a fala soe bem. A frase em inglês, para mim, ficou muito travada, aos trancos, nada natural. Com a mesma gravação, o CosyVoice 3 do post anterior falou inglês com muito mais fluidez. Para gerar falas em outros idiomas com a sua voz, o CosyVoice 3 vence na clonagem entre idiomas. A exceção é o português: o CosyVoice 3 não suporta o idioma, então, para português, a opção é o Qwen3-TTS.
Teste 2: as falas do Arthur em português
A página inicial do site é uma base lunar: um minigame 3D em que você guia um astronauta pela base. No bar da base, trabalha o robô barman Arthur, uma homenagem ao barman do filme Passageiros (Passengers, 2016). A ideia é justamente não imitar a voz de Michael Sheen, que interpreta o Arthur no filme; agora o Arthur fala com a minha voz:
Para falas em chinês, há um cuidado extra: o texto precisa ser convertido para chinês simplificado antes. Com o texto em chinês tradicional, o Qwen3-TTS lê errado os caracteres que têm mais de uma pronúncia; ouvindo o resultado, percebi que ele trocou "行業" (ramo, ofício) por "商議" (negociar). Eu escrevo as falas normalmente e converto para simplificado de forma automática com o pacote Python OpenCC antes de enviar o texto ao modelo, junto com a transcrição da gravação de referência.
Teste 3: as 9 vozes prontas (CustomVoice)
Se você não quer clonar, ou ainda não tem uma voz de referência para o personagem, dá para usar direto as vozes prontas. Todos os exemplos abaixo foram gerados com o CustomVoice 0.6B na GPU integrada, com a fala "歡迎來到月球基地的酒吧。今天想喝點什麼?" (Bem-vindo ao bar da base lunar. O que vai beber hoje?), convertida para chinês simplificado:
A voz pronta Aiden falando em inglês, com a frase "Welcome to the bar on the lunar base. What can I get you tonight?":
A voz Eric já revela um sotaque de Sichuan bem marcado logo no início da fala. Se você quer que um personagem tenha um sotaque regional, pode usar essa voz diretamente.
O CustomVoice 0.6B não aceita comandos para controlar o tom. Para algo como "diga isso com raiva", é preciso usar o 1.7B.
Qwen3-TTS ou CosyVoice 3: qual escolher?
Os dois são modelos open source da Alibaba, com licença Apache-2.0 e uso comercial permitido. Testei os dois no mesmo notebook:
Item | Qwen3-TTS 0.6B | CosyVoice 3 (0.5B) |
|---|---|---|
Licença | Apache-2.0 | Apache-2.0 |
Idiomas | 10 | 9 (sem português) |
Dialetos chineses | Vozes prontas com dialeto de Pequim e de Sichuan | Mais de 18, selecionados por comando |
Entrada em chinês | É preciso converter para chinês simplificado antes | Na maioria dos casos, aceita chinês tradicional diretamente |
Controle de tom por comandos | Não no 0.6B (no 1.7B, sim no CustomVoice e no VoiceDesign; no Base, não) | Sim (dialeto, velocidade, emoção) |
Usar a GPU integrada Intel | Basta trocar o | Precisa mover o modelo manualmente para a GPU integrada |
Clonar uma fala na GPU integrada (mesmas falas) | 16 a 28 s (mais rápido com bfloat16) | 29 a 61 s |
Clonar uma fala na CPU | Mais de 4 minutos e meio | Cerca de 2 minutos |
Clonagem entre idiomas (gravação em chinês falando inglês) | Fala muito travada | Muito mais fluida |
Resumindo:
- Tem GPU integrada Intel, quer velocidade e quer usar as vozes prontas: Qwen3-TTS. A configuração é a mais simples, e a clonagem também é mais rápida.
- Quer falas em português: Qwen3-TTS, já que o CosyVoice 3 não suporta o idioma.
- Quer fazer a sua voz falar inglês ou outros idiomas: CosyVoice 3, com clonagem entre idiomas muito mais fluida.
- Falas principalmente em chinês tradicional, com dialetos ou comandos de emoção: CosyVoice 3. Ele aceita chinês tradicional direto na maioria dos casos e ainda permite escolher cantonês ou o dialeto de Sichuan e definir velocidade e emoção com uma frase.
- Só tem CPU: o CosyVoice 3 clona uma fala em cerca de dois minutos, e o Qwen3-TTS passa de 4 minutos e meio. Só com CPU, o CosyVoice 3 é mais prático.
Dá para clonar a voz de outra pessoa?
Tecnicamente, sim: basta uma gravação limpa. Mas clone só a sua própria voz ou a de quem deu autorização. A licença Apache-2.0 permite o uso comercial do modelo, não o uso da voz de qualquer pessoa. A voz de pessoas famosas é protegida por direitos da personalidade, e usar a voz de alguém para dizer coisas que essa pessoa nunca disse pode configurar fraude ou difamação.
Perguntas frequentes
O Qwen3-TTS pode ser usado comercialmente?
Pode. O modelo e o codificador de fala do Qwen3-TTS usam a licença Apache-2.0. Mas a voz de referência precisa ser sua ou de alguém que deu autorização.
Dá para clonar voz sem placa de vídeo NVIDIA?
Dá. O 0.6B roda só na CPU, mas a clonagem de voz leva vários minutos por fala. Com uma GPU integrada Intel Core Ultra ou uma placa Arc, instale o PyTorch com XPU e troque o device_map para "xpu": no meu notebook, uma fala de 6 segundos é clonada em 16 a 18 segundos, mais de 10 vezes mais rápido que na CPU.
O Qwen3-TTS fala português?
Fala. O português é um dos 10 idiomas suportados oficialmente, e a clonagem de voz também funciona em português, como no teste acima. O CosyVoice 3 não suporta português.
O Qwen3-TTS fala dialetos chineses?
Os 10 idiomas suportados oficialmente não incluem cantonês nem hokkien taiwanês. Entre as vozes prontas, os únicos dialetos são o de Pequim (Dylan) e o de Sichuan (Eric). Para cantonês, vale considerar o CosyVoice 3, que tem comando de dialeto para cantonês.
Qual a diferença entre o Qwen3-TTS 0.6B e o 1.7B?
O 1.7B também oferece o VoiceDesign (cria vozes a partir de uma descrição em texto), e o CustomVoice dele aceita comandos para controlar o tom. O 0.6B tem só a clonagem de voz e as vozes prontas. Os dois tamanhos suportam 10 idiomas.
Qual deve ser a duração da gravação para a clonagem de voz?
Segundo a documentação oficial, 3 segundos bastam. Eu usei uma gravação de 8 segundos, com a transcrição exata, palavra por palavra. Grave em um lugar silencioso, com uma pessoa só falando.
Conclusão: clonagem de voz também na GPU integrada Intel
Na visão geral, eu achava que, sem placa de vídeo NVIDIA, não dava para clonar voz com o Qwen3-TTS. Com a GPU integrada Intel, o tempo de geração da mesma fala caiu de mais de 4 minutos e meio para 16 a 18 segundos, e só mudei um parâmetro, o device_map. Se o seu notebook tem um Core Ultra, vale muito a pena testar.
Se você também testou o Qwen3-TTS ou já rodou outros modelos de IA na GPU integrada Intel, deixe um comentário no Threads ou no X.

