Outono de 2026 · Direto da Base da Tranquilidade
Entre no estúdio lunar ↗
Ferramentas de IA

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.

No estúdio da base lunar, um astronauta está sentado diante de um notebook; o chip dentro dele brilha em laranja e ondas sonoras voam em direção a um alto-falante e a um pequeno robô segurando um cronômetro
No estúdio da base lunar, um astronauta está sentado diante de um notebook; o chip dentro dele brilha em laranja e ondas sonoras voam em direção a um alto-falante e a um pequeno robô segurando um cronômetro

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

pip install -U qwen-tts (a versão que instalei foi a 0.1.1)

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 soundfile

Primeiro 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-runtime

2. 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 soundfile

Troque 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).
Minha gravação original (8 segundos), em chinês: "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。" (Bem-vindos à minha base lunar. Meus posts registram meus testes com várias ferramentas; espero que ajudem.) Todos os direitos reservados. Não use em outro lugar

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):

Minha voz clonada: "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。" (Esta frase foi clonada pelo Qwen3-TTS a partir de oito segundos da minha voz. Eu nunca disse esta frase.) Todos os direitos reservados. Não use em outro lugar
Minha voz clonada: "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。" (Este áudio foi gerado na GPU integrada Intel do meu notebook, sem usar placa de vídeo NVIDIA.) Todos os direitos reservados. Não use em outro lugar

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:

Minha voz clonada falando português: "Esta frase foi gerada pelo Qwen3-TTS a partir de oito segundos da minha voz. Eu nunca a disse." Todos os direitos reservados. Não use em outro lugar
Minha voz clonada falando inglês: "This sentence was generated by Qwen3-TTS from an eight-second clip of my voice. I never actually said it." Todos os direitos reservados. Não use em outro lugar
Minha voz clonada falando japonês: "この声は、私の8秒の録音から作られました。" (Esta voz foi criada a partir de uma gravação minha de 8 segundos.) Todos os direitos reservados. Não use em outro lugar

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:

Minha voz clonada como Arthur: "Um barman guarda segredos. É a confiança sagrada do ofício." Todos os direitos reservados. Não use em outro lugar

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:

Voz pronta Uncle_Fu
Voz pronta Vivian
Voz pronta Serena
Voz pronta Dylan (dialeto de Pequim)
Voz pronta Eric (dialeto de Sichuan)

A voz pronta Aiden falando em inglês, com a frase "Welcome to the bar on the lunar base. What can I get you tonight?":

Voz pronta Aiden (inglês)

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 device_map para "xpu"

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.