Qwen3-TTS: клонирование голоса на GPU Intel в 10 раз быстрее
Клонирование голоса по 8-секундной записи: на встроенной графике Intel фраза менее чем за 20 с, в 10 раз быстрее CPU. XPU, голоса, языки.

Это третья статья из серии про открытые TTS-модели (синтез речи из текста). В обзоре бесплатных TTS для коммерческого использования я сравнил несколько моделей, а в прошлой статье, руководстве по CosyVoice 3, показал, как клонировать голос даже на одном CPU. Теперь очередь Qwen3-TTS.
В обзоре я запускал клонирование голоса в Qwen3-TTS на CPU, и одна реплика генерировалась больше 4 минут. Тогда я сделал вывод: «чтобы клонировать много реплик, всё-таки нужна видеокарта NVIDIA». На этот раз я взял встроенную графику Intel своего ноутбука, и генерация той же реплики заняла 16–18 секунд. В этом замере генерация оказалась больше чем в 10 раз быстрее, причём без правок в исходном коде пакета. Оговорюсь: во время замера на CPU были открыты другие программы, а при замере на встроенной графике компьютер больше ничем не был занят. В этой статье — установка под встроенную графику Intel (PyTorch XPU) и демонстрация клонирования на моём собственном голосе.
Что такое Qwen3-TTS? Можно ли использовать её в коммерческих целях?
Qwen3-TTS — семейство моделей генерации речи, которое команда Qwen (Tongyi Qianwen) из Alibaba открыла 22 января 2026 года. Данные ниже взяты с GitHub и страницы модели на Hugging Face, дата проверки — 21.11.2026:
Параметр | Значение |
|---|---|
Лицензия | Apache-2.0, коммерческое использование разрешено |
Размер | 0.6B (600 млн параметров) и 1.7B (1,7 млрд параметров) |
Языки | Китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский, всего 10 |
Клонирование голоса | По официальным данным, хватает 3 секунд образца голоса |
Данные для обучения | В техническом отчёте указано более 5 млн часов речи на 10 языках |
Установка |
|
Русский есть в списке, так что Qwen3-TTS умеет говорить и клонировать голос по-русски.
Три модели: Base, CustomVoice и VoiceDesign
В семейство Qwen3-TTS входят три модели с разным назначением. «12Hz» в названии относится к используемому речевому кодеку:
Модель | Назначение | 0.6B | 1.7B | Управление интонацией командами |
|---|---|---|---|---|
Base | Клонирование голоса, подходит и для дообучения | Есть | Есть | Нет |
CustomVoice | 9 встроенных голосов | Есть | Есть | Только в 1.7B |
VoiceDesign | Создаёт новый голос по текстовому описанию | Нет | Есть | Да |
В этой статье везде используется 0.6B. Модели Base и CustomVoice, загружаемые с Hugging Face, весят примерно по 2,4 ГБ.
9 встроенных голосов
Встроенные голоса CustomVoice (официальное описание в моём переводе):
Имя | Голос | Родной язык |
|---|---|---|
Vivian | Яркий молодой женский голос с характером | Китайский |
Serena | Тёплый, мягкий молодой женский голос | Китайский |
Uncle_Fu | Зрелый мужской голос, низкий и бархатный | Китайский |
Dylan | Молодой мужской голос с пекинским выговором | Китайский (пекинский диалект) |
Eric | Живой мужской голос из Чэнду, с лёгкой хрипотцой | Китайский (сычуаньский диалект) |
Ryan | Мужской голос с выраженным ритмом | Английский |
Aiden | Жизнерадостный мужской голос с американским акцентом | Английский |
Ono_Anna | Игривый, лёгкий женский голос | Японский |
Sohee | Тёплый, эмоциональный женский голос | Корейский |
Официально рекомендуется использовать каждый голос на его родном языке: так он звучит лучше всего. При этом любой голос может говорить на всех 10 языках.
Системные требования: можно ли без видеокарты NVIDIA?
Можно. В официальных примерах везде стоит device_map="cuda:0" вместе с bfloat16 и FlashAttention 2, а про CPU и графику Intel ни на GitHub, ни на странице модели ничего не сказано. На практике модель работает и на CPU, и на встроенной графике Intel.
У меня ноутбук с Intel Core Ultra 5 322 (6 ядер), встроенной графикой Panther Lake и без дискретной видеокарты. Я тестировал клонирование своего голоса моделью 0.6B на одной и той же реплике на китайском длиной около 6 секунд (текст на упрощённом китайском):
На чём | Время генерации | Коэффициент времени (меньше — быстрее) |
|---|---|---|
CPU (6 ядер) | около 270 с | около 42 |
Встроенная графика Intel (PyTorch XPU) | 16–18 с | 2,7–3,0 |
Встроенная графика Intel, bfloat16 | около 12 с | около 2,2 |
Коэффициент времени — это время генерации, делённое на длину аудио. Например, 3,0 значит, что на 1 секунду звука уходит 3 секунды генерации.
Время генерации на CPU я замерял дважды: 272 и 402 секунды. Оба раза на компьютере были открыты другие программы, поэтому разброс большой, но в обоих случаях вышло больше 4,5 минуты. На встроенной графике я замерял время без посторонней нагрузки, генерируя одну реплику 3 раза подряд: в первый раз — около 20 секунд, потому что сначала идёт компиляция, дальше — по 16–18 секунд.
Загрузка модели занимает ещё 6–10 секунд. Со встроенными голосами (CustomVoice) скорость на встроенной графике примерно та же: реплика длиной около 8 секунд генерируется за 18–20 секунд.
По сравнению с CosyVoice 3 из прошлой статьи Qwen3-TTS клонирует голос на встроенной графике примерно в 2 раза быстрее. Для сравнения я использовал одну и ту же запись и две одинаковые для обеих моделей реплики: Qwen3-TTS тратил 16–28 секунд на реплику, CosyVoice 3 — 29–61 секунду. (Коэффициент 2,5 из статьи про CosyVoice 3 относится к межъязыковому режиму без расшифровки, который быстрее клонирования с расшифровкой.) На CPU разрыв ещё больше: CosyVoice 3 клонирует реплику примерно за две минуты, а Qwen3-TTS — больше чем за 4,5 минуты. Для клонирования голоса в Qwen3-TTS встроенная графика практически обязательна.
Как установить Qwen3-TTS (версия для CPU)
У меня Linux (Arch), а окружениями Python я управляю через uv. Официально рекомендуется чистое окружение с 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 soundfileСначала ставим torch из отдельного CPU-репозитория PyTorch. Иначе на Linux по умолчанию скачается версия с CUDA, а это лишние несколько гигабайт.
Официально ещё советуют поставить FlashAttention 2 для ускорения, но это необязательно и требует совместимой видеокарты. Ни CPU, ни встроенной графике Intel он не нужен, так что этот шаг можно пропустить.
Генерируем первую фразу
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# Клонирование голоса: модель Base + образец голоса + расшифровка образца
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Текст реплики", language="Chinese",
ref_audio="ref.wav", ref_text="Расшифровка образца голоса")
sf.write("out.wav", wavs[0], sr)При первом запуске модель автоматически скачается с Hugging Face. Для встроенных голосов используйте модель 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="Текст реплики", speaker="Uncle_Fu", language="Chinese")В language можно указать название языка, например Chinese, English, Japanese или Russian, либо Auto, чтобы модель определила его сама.
Ускорение на встроенной графике Intel (PyTorch XPU)
Это главная часть статьи. Бэкенд PyTorch для графики Intel называется XPU, и готовую XPU-сборку можно поставить из официального репозитория, ничего не компилируя.
Согласно официальной документации PyTorch по XPU, поддерживаются дискретные видеокарты Arc серий A и B, а также встроенная графика Core Ultra: Meteor Lake, Arrow Lake, Lunar Lake и Panther Lake. Из операционных систем указаны Windows 11 и Ubuntu (для Panther Lake нужна Ubuntu 26.04). У меня Arch Linux, которого в списке нет, но всё заработало.
Под встроенную графику я сделал отдельное окружение, а окружение для CPU оставил как есть.
1. Ставим вычислительный драйвер Intel
В обычной настольной системе установлен только драйвер для вывода изображения. Чтобы PyTorch мог выполнять вычисления на графическом чипе, нужен ещё вычислительный драйвер Intel (Level Zero). В Arch Linux:
sudo pacman -S intel-compute-runtime2. Ставим PyTorch с 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))"Если выводится True Intel(R) Graphics, встроенная графика найдена. У меня установился PyTorch 2.15.0.
3. Фиксируем версию torch и только потом ставим qwen-tts
При установке qwen-tts менеджер пакетов заодно проверяет зависимость от torch. Если дать менеджеру пакетов выбирать самому, он может заменить только что поставленную XPU-сборку на обычную. Поэтому я сначала создал файл ограничений и зафиксировал версии:
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 soundfileПодставьте версии, которые реально установились у вас (их можно посмотреть через uv pip list). --index-strategy unsafe-best-match позволяет uv брать пакеты одновременно из PyPI и из XPU-репозитория PyTorch.
С CosyVoice 3 на этом шаге был конфликт с triton: openai-whisper подтягивал старый triton, который затирал нужный для XPU triton-xpu. Qwen3-TTS не использует openai-whisper, так что в этот раз проблемы не было. Если увидите ошибку cannot import name 'make_tensordesc_args', решение есть в прошлой статье.
4. Меняем device_map на xpu
Вот главное отличие от CosyVoice 3. Код CosyVoice понимает только CUDA, поэтому мне приходилось загружать модель на CPU, а потом вручную переносить её на встроенную графику. Qwen3-TTS загружается через Hugging Face transformers, так что достаточно поменять device_map на "xpu", без правок в исходном коде пакета:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype задаёт тип данных и точность вычислений модели. float32 — 32-битные числа с плавающей точкой: точность высокая, но вычисления идут медленнее и требуют больше памяти. bfloat16 использует всего 16 бит: вычисления быстрее и требуют меньше памяти, но точность ниже. В официальных примерах стоит dtype=torch.bfloat16.
Обычно я работаю с float32, но попробовал и bfloat16: время генерации той же реплики сократилось с 16–18 до примерно 12 секунд, а при проверке с помощью распознавания речи (Whisper) текст оказался верным. Правда, длина аудио в двух генерациях разная (5,3 секунды с bfloat16 и 6,0 секунды с float32), и это стоит учитывать при сравнении скорости.
Я сравнил обе версии на слух: разница в качестве небольшая, заметить её можно только при внимательном прослушивании. Поэтому на встроенной графике Intel советую сразу брать bfloat16: в этом тесте он экономил около 30 % времени на каждой реплике.
При первой генерации на встроенной графике сначала компилируются вычислительные ядра, поэтому она идёт медленнее; дальше в том же процессе всё работает с обычной скоростью. Так что для пачки реплик загружайте модель один раз и генерируйте реплики подряд, а не перезапускайте программу для каждой реплики.
Оба варианта — CPU и встроенную графику — я объединил в одной команде, которая лежит в ~/tools/qwen3-tts/ и вызывается из любого проекта. С флагом --device xpu она переключается на окружение для встроенной графики.
Тест 1: клонирование моего собственного голоса
Образец тот же, что и в прошлой статье: 8 секунд моего голоса, записанные на телефон.
Внимание: во всех аудиопримерах этого раздела звучит голос автора, Terry L, или его клон. Все права защищены. Не скачивайте, не публикуйте повторно и не используйте нигде больше (в том числе для клонирования).
Две фразы ниже я никогда не произносил. Их сгенерировала Qwen3-TTS 0.6B на встроенной графике Intel, клонировав мой голос по записи выше и её расшифровке. И реплики, и расшифровку я перед подачей в модель перевёл на упрощённый китайский (почему — в тесте 2):
Вторая фраза сложнее: в ней смешаны китайский и английский — «Intel», «NVIDIA», «內顯» (встроенная графика) и «顯示卡» (видеокарта). Я сгенерировал 3 варианта подряд. В первых двух то «顯示卡» звучало неправильно, то «NVIDIA» получалось смазанным, и только третий вышел полностью верным. С такими репликами в Qwen3-TTS генерируйте несколько вариантов и выбирайте лучший.
На мой слух, сгенерированная китайская речь очень похожа на мой голос.
Межъязыковое клонирование: по той же записи на китайском можно сгенерировать речь и на русском, и на английском, и на японском:
Я проверил японскую фразу с помощью распознавания речи (Whisper) и сравнил результат с исходным текстом: текст совпал полностью. В английской всё было верно, кроме названия «Qwen3-TTS», которое распозналось как другое слово; лишних или пропущенных слов не было.
Но верный текст ещё не значит, что речь звучит хорошо. Английская фраза, на мой слух, очень дёрганая, рваная и неестественная. С той же записью CosyVoice 3 из прошлой статьи говорил по-английски заметно плавнее. Если нужно, чтобы ваш голос говорил на других языках, в межъязыковом клонировании выигрывает CosyVoice 3.
Тест 2: реплика Артура на русском
Главная страница сайта, terryl.in, — это лунная база, небольшая 3D-игра, где можно управлять астронавтом и ходить по базе. В баре базы работает робот-бармен Артур — отсылка к фильму «Пассажиры» (Passengers, 2016). Голос Майкла Шина, сыгравшего Артура в фильме, я намеренно не копирую: теперь Артур говорит моим голосом.
С китайскими репликами есть нюанс: текст нужно сначала преобразовать в упрощённую китайскую письменность. Если подать традиционные иероглифы, Qwen3-TTS неправильно читает иероглифы с несколькими чтениями: на слух я заметил, что «行業» (ремесло) превратилось в «商議» (обсуждать). Я пишу реплики как обычно и перед отправкой в модель автоматически преобразую их вместе с расшифровкой образца в упрощённую китайскую письменность с помощью Python-пакета OpenCC.
Тест 3: 9 встроенных голосов (CustomVoice)
Если клонировать не хочется или образца голоса для персонажа ещё нет, можно сразу взять встроенный голос. Все примеры ниже сгенерированы моделью CustomVoice 0.6B на встроенной графике. Для них я использовал реплику «歡迎來到月球基地的酒吧。今天想喝點什麼?» («Добро пожаловать в бар лунной базы. Что будете пить сегодня?»), преобразованную в упрощённую китайскую письменность:
Встроенный английский голос Aiden произносит реплику «Welcome to the bar on the lunar base. What can I get you tonight?»:
У Eric сычуаньский выговор слышен с первых слов. Если хотите добавить персонажу региональный акцент, можно просто выбрать этот голос.
CustomVoice 0.6B не поддерживает управление интонацией с помощью команд. Чтобы задавать что-то вроде «скажи это сердито», нужна версия 1.7B.
Qwen3-TTS или CosyVoice 3: что выбрать?
Обе модели — открытые разработки Alibaba под лицензией Apache-2.0 с разрешённым коммерческим использованием. Я тестировал обе на одном ноутбуке:
Параметр | Qwen3-TTS 0.6B | CosyVoice 3 (0.5B) |
|---|---|---|
Лицензия | Apache-2.0 | Apache-2.0 |
Языки | 10 | 9 (без португальского) |
Китайские диалекты | Встроенные голоса с пекинским и сычуаньским диалектами | Больше 18, переключаются командой |
Ввод на китайском | Сначала нужно перевести на упрощённый | В основном можно подавать традиционные иероглифы |
Управление интонацией командами | В 0.6B нет (в 1.7B есть у CustomVoice и VoiceDesign, у Base нет) | Есть (диалект, темп, эмоции) |
Встроенная графика Intel | Достаточно поменять | Модель нужно вручную переносить на встроенную графику |
Клонирование реплики на встроенной графике (одинаковые реплики) | 16–28 с (с bfloat16 быстрее) | 29–61 с |
Клонирование реплики на CPU | Больше 4,5 минуты | Около 2 минут |
Межъязыковое клонирование (английская речь по записи на китайском) | Звучит очень дёргано | Заметно плавнее |
Если коротко:
- Есть встроенная графика Intel, нужна скорость и хочется сразу взять встроенные голоса: Qwen3-TTS. Её проще настроить, и голос она клонирует быстрее.
- Нужно, чтобы ваш голос говорил по-английски или на других языках: CosyVoice 3: при межъязыковом клонировании речь заметно плавнее.
- Реплики в основном на традиционном китайском, нужны диалекты или эмоции по команде: CosyVoice 3. Традиционные иероглифы в основном можно подавать как есть, а кантонский, сычуаньский, темп и эмоции задаются одной фразой.
- Есть только CPU: CosyVoice 3 клонирует реплику примерно за две минуты, Qwen3-TTS — больше чем за 4,5 минуты. Если есть только CPU, практичнее CosyVoice 3.
Можно ли клонировать чужой голос?
Технически можно: нужна только чистая запись. Но клонируйте только свой голос или голос человека, который дал согласие. Лицензия Apache-2.0 разрешает коммерческое использование самой модели, но не даёт права использовать чей угодно голос. Голоса известных людей защищены их личными неимущественными правами, а если сгенерировать чужим голосом слова, которых человек не произносил, это может оказаться мошенничеством или клеветой.
Частые вопросы
Можно ли использовать Qwen3-TTS в коммерческих целях?
Да. Модель и речевой кодек Qwen3-TTS распространяются под лицензией Apache-2.0. Но образец голоса должен быть вашим или принадлежать человеку, который дал согласие.
Как клонировать голос без видеокарты NVIDIA?
Модель 0.6B работает на CPU, но клонирование одной реплики занимает несколько минут. Если у вас встроенная графика Intel Core Ultra или видеокарта Arc, поставьте PyTorch с XPU и поменяйте device_map на "xpu": на моём ноутбуке 6-секундная реплика клонируется за 16–18 секунд, больше чем в 10 раз быстрее, чем на CPU.
Поддерживает ли Qwen3-TTS русский язык?
Да. Русский входит в число 10 официально поддерживаемых языков, и клонированный голос тоже может говорить по-русски, как в примере выше.
Говорит ли Qwen3-TTS на китайских диалектах?
Среди 10 официально поддерживаемых языков нет ни кантонского, ни Taiwanese Hokkien. Из диалектов у встроенных голосов есть только пекинский (Dylan) и сычуаньский (Eric). Для кантонского можно присмотреться к CosyVoice 3: у него есть команда для кантонского диалекта.
Чем Qwen3-TTS 0.6B отличается от 1.7B?
В версии 1.7B есть ещё VoiceDesign (создание голоса по текстовому описанию), а CustomVoice этой версии поддерживает управление с помощью команд. У 0.6B только клонирование голоса и встроенные голоса. Обе версии поддерживают 10 языков.
Какой длительности должна быть запись для клонирования голоса?
По официальным данным, хватает 3 секунд. Я использовал 8-секундную запись с точной, слово в слово, расшифровкой. Записывайте в тишине, говорить должен один человек.
Итог: клонирование голоса и на встроенной графике Intel
В обзоре я думал, что без видеокарты NVIDIA клонировать голос в Qwen3-TTS не выйдет. На CPU генерация той же реплики занимала больше 4,5 минуты, а на встроенной графике Intel — 16–18 секунд. При этом поменять пришлось только один параметр — device_map. Если у вас ноутбук на Core Ultra, попробовать определённо стоит.
Если вы тоже пробовали Qwen3-TTS или запускали другие ИИ-модели на встроенной графике Intel, пишите в Threads или в X.

