Qwen3-TTS: ücretsiz ses klonlama, Intel GPU'da 10 kat hızlı
8 saniyelik kayıtla ses klonlama: Intel dahili GPU'da bir cümle 20 saniyenin altında, CPU'dan 10 kat hızlı. XPU kurulumu, diller arası test.

Bu yazı, açık kaynaklı TTS (metinden sese) serisinin üçüncü yazısı. Ücretsiz ve ticari kullanıma açık TTS modelleri yazısında genel bir karşılaştırma yapmış, bir önceki yazı olan CosyVoice 3 rehberinde yalnızca CPU ile bile çalışan ses klonlamayı anlatmıştım. Sıra Qwen3-TTS'te.
Genel karşılaştırma yazısında Qwen3-TTS ile ses klonlamayı CPU'da çalıştırmıştım; tek bir replik 4 dakikadan uzun sürüyordu. O zamanki sonucum şuydu: "Klonlanmış sesle çok sayıda replik üretecekseniz yine de NVIDIA ekran kartı gerekiyor." Bu sefer dizüstü bilgisayarımın Intel dahili grafik birimini kullandım ve aynı replik 16-18 saniyede üretildi. Bu ölçümde üretim 10 kattan fazla hızlandı, üstelik paketin kaynak koduna dokunmadan. Bir not: CPU testi sırasında başka programlar da açıktı, dahili grafik testinde ise bilgisayarda başka yük yoktu. Bu yazıda Intel dahili grafik birimi (PyTorch XPU) için kurulum adımlarını anlatıyor ve kendi sesimle bir ses klonlama örneği gösteriyorum.
Qwen3-TTS nedir? Ticari olarak kullanılabilir mi?
Qwen3-TTS, Alibaba'nın Qwen (Tongyi Qianwen) ekibinin 22 Ocak 2026'da açık kaynak olarak yayımladığı bir ses üretim modeli ailesi. Aşağıdaki bilgiler GitHub'dan ve Hugging Face model sayfasından alındı; kontrol tarihi: 21.11.2026.
Özellik | Ayrıntı |
|---|---|
Lisans | Apache-2.0, ticari kullanıma izin veriyor |
Boyut | 0.6B (600 milyon parametre) ve 1.7B (1,7 milyar parametre) |
Diller | Çince, İngilizce, Japonca, Korece, Almanca, Fransızca, Rusça, Portekizce, İspanyolca ve İtalyanca, toplam 10 dil |
Ses klonlama | Resmî açıklamaya göre 3 saniyelik referans ses yetiyor |
Eğitim verisi | Teknik raporda 10 dilde 5 milyon saati aşkın konuşma verisinden söz ediliyor |
Kurulum |
|
Türkçe henüz yok. 21.11.2026 itibarıyla Qwen3-TTS Türkçe konuşamıyor; desteklediği diller yalnızca tablodaki 10 dil. Yine de kendi sesinizi klonlayıp bu dillerden birinde konuşturabilirsiniz. Bu yazıdaki örneklerde İngilizceyi kullanıyorum.
Üç model: Base, CustomVoice ve VoiceDesign
Qwen3-TTS kullanım amacına göre üç modele ayrılıyor. Model adındaki 12Hz, kullandığı konuşma kodlayıcısını belirtiyor:
Model | Kullanım | 0.6B | 1.7B | Komutla ton kontrolü |
|---|---|---|---|---|
Base | Ses klonlama, ince ayar (fine-tuning) için de kullanılabilir | Var | Var | Yok |
CustomVoice | 9 hazır ses | Var | Var | Yalnızca 1.7B'de |
VoiceDesign | Metinle tarif ederek yeni bir ses tasarlama | Yok | Var | Var |
Bu yazıda hep 0.6B'yi kullandım. Hugging Face'ten indirildiğinde Base ve CustomVoice'un her biri yaklaşık 2,4 GB.
9 hazır ses
CustomVoice'un hazır sesleri (resmî açıklamalar, benim çevirim):
Ad | Ses | Ana dili |
|---|---|---|
Vivian | Parlak, kendine özgü bir tınısı olan genç kadın sesi | Çince |
Serena | Sıcak, yumuşak genç kadın sesi | Çince |
Uncle_Fu | Tok ve dolgun bir tınıya sahip olgun erkek sesi | Çince |
Dylan | Pekin aksanlı genç erkek sesi | Çince (Pekin lehçesi) |
Eric | Chengdulu, canlı, hafif boğuk erkek sesi | Çince (Sichuan lehçesi) |
Ryan | Ritmi güçlü erkek sesi | İngilizce |
Aiden | Sıcak ve samimi Amerikalı erkek sesi | İngilizce |
Ono_Anna | Şakacı, hafif tınılı kadın sesi | Japonca |
Sohee | Sıcak, duygu yüklü kadın sesi | Korece |
Resmî öneri, her sesi kendi ana dilinde kullanmak; en iyi sonuç böyle alınıyor. Yine de her sesle 10 dilin hepsinde metin okutulabiliyor.
Sistem gereksinimleri: NVIDIA ekran kartı olmadan çalışır mı?
Çalışır. Resmî örneklerin hepsinde bfloat16 ve FlashAttention 2 ile birlikte device_map="cuda:0" yazıyor; ne GitHub'da ne de model sayfasında CPU'dan veya Intel grafik çiplerinden söz ediliyor. Pratikte hem CPU'da hem de Intel dahili grafik biriminde çalışıyor.
Dizüstü bilgisayarımda Intel Core Ultra 5 322 (6 çekirdek) ve Panther Lake dahili grafik birimi var, harici ekran kartı yok. 0.6B ile kendi sesimi klonlayıp yaklaşık 6 saniyelik aynı Çince repliği okuttum (metin basitleştirilmiş Çince):
İşlem birimi | Üretim süresi | Süre oranı (küçük olan daha hızlı) |
|---|---|---|
CPU (6 çekirdek) | yaklaşık 270 sn | yaklaşık 42 |
Intel dahili GPU (PyTorch XPU) | 16-18 sn | 2,7-3,0 |
Intel dahili GPU, bfloat16 ile | yaklaşık 12 sn | yaklaşık 2,2 |
Süre oranı, üretim süresinin ses dosyasının uzunluğuna bölünmesiyle bulunuyor. Örneğin 3,0, 1 saniyelik sesin 3 saniyede üretildiği anlamına geliyor.
CPU ile üretim süresini iki kez ölçtüm: 272 ve 402 saniye. İki ölçümde de bilgisayarda başka programlar açıktı, bu yüzden sonuçlar çok farklı çıktı; ama her iki seferde de 4,5 dakikayı geçti. Dahili grafik biriminde üretim süresini bilgisayarda başka yük yokken ölçtüm ve aynı repliği art arda 3 kez ürettim: ilk üretimde derleme de yapıldığı için işlem yaklaşık 20 saniye sürdü, sonraki üretimler ise 16-18 saniye sürdü.
Ayrıca modelin yüklenmesi 6-10 saniye sürüyor. Hazır seslerle (CustomVoice) dahili grafik birimindeki hız da benzer: yaklaşık 8 saniyelik bir replik 18-20 saniyede üretiliyor.
Bir önceki yazıdaki CosyVoice 3 ile karşılaştırınca, ses klonlamada Qwen3-TTS dahili grafik biriminde yaklaşık 2 kat daha hızlı. Aynı kayıt ve aynı iki replikle denedim: Qwen3-TTS ile üretim replik başına 16-28 saniye, CosyVoice 3 ile ise 29-61 saniye sürdü. (CosyVoice 3 yazısındaki 2,5 süre oranı, metin dökümü verilmeyen diller arası moda ait; bu mod, metin dökümüyle yapılan klonlamadan daha hızlı.) CPU'da fark daha da büyük: CosyVoice 3 bir repliği yaklaşık iki dakikada klonluyor, Qwen3-TTS ise 4,5 dakikayı geçiyor. Qwen3-TTS ile ses klonlama için dahili grafik birimi neredeyse şart.
Qwen3-TTS kurulumu (CPU sürümü)
İşletim sistemim Linux (Arch), Python'u uv ile yönetiyorum. Resmî öneri, Python 3.12 ile sıfırdan bir ortam kurmak.
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 soundfiletorch'u önce PyTorch'un CPU'ya özel kaynağından kurun. Aksi hâlde Linux'ta varsayılan olarak CUDA'lı sürüm iniyor ve fazladan birkaç GB yer kaplıyor.
Resmî belgeler hızlandırma için FlashAttention 2 kurmayı da öneriyor; ama bu isteğe bağlı ve uyumlu bir ekran kartı istiyor. CPU ve Intel dahili grafik birimi bu teknolojiyi kullanmadığı için bu adımı atlayabilirsiniz.
İlk cümleyi üretin
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# Ses klonlama: Base modeli + referans ses + referans sesin metin dökümü
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="Okunacak replik", language="Chinese",
ref_audio="ref.wav", ref_text="Referans seste söylenen metin")
sf.write("out.wav", wavs[0], sr)İlk çalıştırmada model Hugging Face'ten otomatik olarak iniyor. Hazır sesler için CustomVoice modelini kullanın:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="Okunacak replik", speaker="Uncle_Fu", language="Chinese")language için Chinese, English, Japanese gibi dil adlarını yazabilir ya da dilin otomatik algılanması için Auto kullanabilirsiniz.
Intel dahili GPU ile hızlandırma (PyTorch XPU)
Bu yazının asıl konusu bu. PyTorch'un Intel grafik çiplerini destekleyen arka ucunun adı XPU; hazır XPU sürümü resmî kaynaktan kurulabiliyor, kendiniz derlemeniz gerekmiyor.
PyTorch'un resmî XPU belgesine göre desteklenen Intel grafik çipleri arasında Arc A ve B serisi harici ekran kartları ile Core Ultra'nın dahili grafik birimleri var: Meteor Lake, Arrow Lake, Lunar Lake ve Panther Lake. Listede yer alan sistemler Windows 11 ve Ubuntu (Panther Lake için Ubuntu 26.04 gerekiyor). Ben listede olmayan Arch Linux kullanıyorum, yine de çalıştı.
Dahili grafik birimi için ayrı bir ortam kurdum, CPU ortamına dokunmadım.
1. Intel'in hesaplama sürücüsünü kurun
Tipik bir masaüstü sistemde yalnızca görüntü sürücüsü kurulu oluyor. PyTorch'un grafik çipini hesaplama için kullanabilmesi için Intel'in hesaplama sürücüsünü (Level Zero) de kurmanız gerekiyor. Arch Linux'ta:
sudo pacman -S intel-compute-runtime2. PyTorch'un XPU sürümünü kurun
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))"Ekranda True Intel(R) Graphics yazıyorsa dahili grafik birimi algılanmış demektir. Benim kurduğum sürüm PyTorch 2.15.0.
3. torch sürümünü sabitleyin, sonra qwen-tts'i kurun
qwen-tts kurulumu sırasında torch sürümü de kontrol ediliyor. Sürüm seçimini paket yöneticisine bırakırsanız az önce kurduğunuz XPU sürümünü standart bir sürümle değiştirebilir. Bu yüzden önce bir sürüm kısıtlama dosyası oluşturup sürümleri sabitledim:
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 soundfileSürüm numaralarını kendi kurduğunuz sürümlerle değiştirin (uv pip list ile bakabilirsiniz). --index-strategy unsafe-best-match, uv'nin paketleri hem PyPI'dan hem de PyTorch'un XPU kaynağından seçebilmesini sağlıyor.
Bir önceki yazıda CosyVoice 3 bu adımda triton çakışmasına takılmıştı: openai-whisper eski bir triton sürümünü de kuruyor ve XPU'nun ihtiyaç duyduğu triton-xpu'nun üzerine yazıyordu. Qwen3-TTS openai-whisper kullanmadığı için bu sefer bu sorunla karşılaşmadım. cannot import name 'make_tensordesc_args' hatasını görürseniz çözümü bir önceki yazıda bulabilirsiniz.
4. device_map'i xpu yapın
CosyVoice 3 ile arasındaki en büyük fark burada. CosyVoice'un kodu yalnızca CUDA'yı tanıdığı için modeli önce CPU'ya yükleyip sonra elle dahili grafik birimine taşımam gerekiyordu. Qwen3-TTS ise Hugging Face transformers'ın yükleme yöntemini kullanıyor; device_map'i "xpu" yapmanız yeterli, paketin kaynak koduna dokunmanız gerekmiyor:
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype, modelin hesaplamada kullandığı sayısal hassasiyet. float32, 32 bitlik bir kayan noktalı sayı biçimi: hassasiyeti yüksek ama daha yavaş ve daha çok bellek harcıyor. bfloat16 yalnızca 16 bit kullanıyor: daha hızlı ve bellekten tasarruf ediyor, ama hassasiyeti daha düşük. Resmî örneklerde dtype=torch.bfloat16 kullanılıyor.
Ben normalde float32 kullanıyorum, bfloat16'yı da denedim: aynı replik 16-18 saniyeden yaklaşık 12 saniyeye indi ve konuşma tanımayla (Whisper) metne geri çevirdiğimde içerik de doğruydu. Ancak iki üretimde ses dosyalarının uzunluğu farklıydı (bfloat16'da 5,3 saniye, float32'de 6,0 saniye); hızı karşılaştırırken bu farkı da hesaba katmak gerekiyor.
İki çıktıyı karşılaştırdım: ses kalitesindeki fark çok küçük, ancak dikkatle dinleyince ayırt edilebiliyor. Bu yüzden Intel dahili grafik biriminde doğrudan bfloat16 kullanmanızı öneririm; bu testte replik başına yaklaşık yüzde 30 zaman kazandırdı.
Dahili grafik biriminde ilk üretimde hesaplama çekirdekleri derlendiği için işlem daha yavaş ilerliyor; programı kapatmadan yapılan sonraki üretimler ise normal hızda gerçekleşiyor. Bu yüzden toplu replik üretirken modeli bir kez yükleyip replikleri art arda okutun, her replik için programı yeniden başlatmayın.
CPU ve dahili grafik kullanımını tek bir komutta topladım; ~/tools/qwen3-tts/ altında duruyor ve her projeden doğrudan çağrılabiliyor. --device xpu eklenince dahili grafik ortamına geçiyor.
Test 1: kendi sesimle ses klonlama
Referans kayıt bir önceki yazıdakiyle aynı: telefonla aldığım 8 saniyelik ses kaydım. Qwen3-TTS 21.11.2026 itibarıyla Türkçe konuşamadığı için (yukarıya bakın) Türkçe örnek yok; diller arası örnekte İngilizceyi kullanıyorum.
Uyarı: Bu bölümdeki tüm ses örnekleri yazar Terry L'nin kendi sesinden ve bu sesin klonlanmasıyla üretilen kayıtlardan oluşur. Tüm hakları saklıdır. Lütfen indirmeyin, yeniden yayımlamayın ve ses klonlamak da dâhil olmak üzere başka hiçbir amaçla kullanmayın.
Aşağıdaki iki cümleyi ben hiç söylemedim. Qwen3-TTS 0.6B bu cümleleri Intel dahili grafik biriminde, yukarıdaki kayıt ve metin dökümünden klonladığı sesimle üretti. Hem replikler hem de metin dökümü modele verilmeden önce basitleştirilmiş Çinceye çevrildi (nedeni Test 2'de):
İkinci cümleyi okumak daha zor, çünkü Çince ve İngilizce iç içe: "Intel", "NVIDIA", "內顯" (dahili grafik birimi) ve "顯示卡" (ekran kartı). Art arda 3 sürüm ürettim. İlk ikisinde ya "顯示卡" yanlış okundu ya da "NVIDIA" anlaşılmaz çıktı; ancak üçüncüsü tamamen doğruydu. Qwen3-TTS'e bu tür replikler okuturken birkaç sürüm üretip en iyisini seçin.
Bence üretilen Çince konuşma benim sesime çok benziyor.
Diller arası klonlama: Aynı Çince kayıtla İngilizce ve Japonca da konuşturabiliyorsunuz:
Japonca cümleyi konuşma tanımayla (Whisper) metne geri çevirip karşılaştırdım: içerik tamamen doğruydu. İngilizce cümlede ise "Qwen3-TTS" adının başka bir kelimeye dönüşmesi dışında her şey doğruydu; fazladan ya da eksik kelime yoktu.
Ama içeriğin doğru olması, sesin kulağa hoş geldiği anlamına gelmiyor. İngilizce cümle takıla takıla, kesik kesik okunduğu için kulağıma pek doğal gelmedi. Aynı kayıtla bir önceki yazıdaki CosyVoice 3, İngilizceyi çok daha akıcı okudu. Kendi sesinizi başka dillerde konuşturmak istiyorsanız, diller arası klonlamada kazanan CosyVoice 3.
Test 2: Arthur'un repliği ve Çince metin
Sitenin ana sayfası bir Ay üssü: astronotu üssün içinde gezdirebildiğiniz küçük bir 3D oyun. Üssün barında, Passengers (2016) filmine saygı duruşu olan robot barmen Arthur çalışıyor. Filmde Arthur'u canlandıran Michael Sheen'in sesini bilerek taklit etmiyorum; Arthur artık benim sesimle konuşuyor. Qwen3-TTS Türkçe konuşamadığı için repliği Çince okuttum:
Çince repliklerde dikkat edilecek bir nokta var: metni önce basitleştirilmiş Çinceye çevirmek gerekiyor. Geleneksel Çince karakterlerle verilen metinde Qwen3-TTS birden fazla okunuşu olan karakterleri yanlış okuyor; dinlediğimde "行業" (meslek) kelimesinin "商議" (müzakere etmek) gibi okunduğunu duydum. Basitleştirilmiş Çince sürümde ise doğru okundu. Ben replikleri her zamanki gibi yazıp modele göndermeden önce Python'un OpenCC paketiyle otomatik olarak basitleştirilmiş Çinceye çeviriyorum; referans kaydın metin dökümüne de aynı işlemi uyguluyorum.
Test 3: 9 hazır ses (CustomVoice)
Klonlamak istemiyorsanız ya da karakter için henüz bir referans sesiniz yoksa hazır sesleri doğrudan kullanabilirsiniz. Aşağıdakilerin hepsi 0.6B CustomVoice ile dahili grafik biriminde üretildi. Kullanılan replik şu: "歡迎來到月球基地的酒吧。今天想喝點什麼?" (Ay üssünün barına hoş geldiniz. Bugün ne içmek istersiniz?) Bu repliği basitleştirilmiş Çinceye çevirerek modele verdim:
İngilizce için hazır ses Aiden ile kullandığım replik: "Welcome to the bar on the lunar base. What can I get you tonight?"
Eric konuşmaya başlar başlamaz Sichuan aksanı belli oluyor. Karakterinize biraz yöresel aksan katmak istiyorsanız doğrudan onu kullanabilirsiniz.
0.6B CustomVoice komutla ton kontrolünü desteklemiyor. "Bunu kızgın bir tonla söyle" gibi komutlarla sesi yönlendirmek istiyorsanız 1.7B'ye geçmeniz gerekiyor.
Qwen3-TTS mi, CosyVoice 3 mü?
İkisi de Alibaba'nın geliştirdiği, ticari kullanıma izin veren Apache-2.0 lisansına sahip açık kaynaklı modeller. İkisini de aynı dizüstü bilgisayarda test ettim:
Özellik | Qwen3-TTS 0.6B | CosyVoice 3 (0.5B) |
|---|---|---|
Lisans | Apache-2.0 | Apache-2.0 |
Diller | 10 | 9 (Portekizce yok) |
Çince lehçeler | Hazır seslerde Pekin ve Sichuan lehçesi | 18'den fazla, komutla değiştiriliyor |
Çince metin girişi | Önce basitleştirilmiş Çinceye çevrilmeli | Geleneksel Çince çoğu zaman doğrudan girilebiliyor |
Komutla ton kontrolü | 0.6B'de yok (1.7B'nin CustomVoice ve VoiceDesign modellerinde var, Base'de yok) | Var (lehçe, hız, duygu) |
Intel dahili GPU kullanımı |
| Modeli elle dahili grafik birimine taşımak gerekiyor |
Dahili GPU'da bir repliği klonlama (aynı replikler) | 16-28 sn (bfloat16 ile daha hızlı) | 29-61 sn |
CPU'da bir repliği klonlama | 4,5 dakikadan fazla | Yaklaşık 2 dakika |
Diller arası klonlama (Çince kayıtla İngilizce) | Takıla takıla okuyor | Çok daha akıcı |
Kısacası:
- Intel dahili GPU'nuz var, hız istiyorsunuz ve hazır sesleri doğrudan kullanmak istiyorsunuz: Qwen3-TTS. Kurulumu en basit olanı, klonlaması da daha hızlı.
- Kendi sesinizi İngilizce gibi başka dillerde konuşturmak istiyorsunuz: CosyVoice 3, diller arası klonlaması çok daha akıcı.
- Replikleriniz çoğunlukla geleneksel Çinceyle yazılıyor, lehçe ya da duygu komutlarına ihtiyaç duyuyorsunuz: CosyVoice 3. Geleneksel Çinceyi çoğu zaman doğrudan kabul ediyor, Kantonca, Sichuan lehçesi, hız ve duyguyu da tek cümleyle belirleyebiliyorsunuz.
- Yalnızca CPU'nuz var: CosyVoice 3 bir repliği yaklaşık iki dakikada klonluyor, Qwen3-TTS ise 4,5 dakikayı geçiyor. Yalnızca CPU varsa CosyVoice 3 daha kullanışlı.
Başkasının sesini klonlayabilir miyim?
Teknik olarak evet, temiz bir kayıt yeterli. Ama yalnızca kendi sesinizi ya da izin aldığınız birinin sesini klonlayın. Apache-2.0 lisansı modelin kendisinin ticari kullanımına izin veriyor; bu, herhangi birinin sesini kullanabileceğiniz anlamına gelmiyor. Ünlülerin sesi kişilik hakları kapsamında korunuyor; birinin sesiyle onun hiç söylemediği sözleri üretmek dolandırıcılık ya da iftira sayılabilir.
Sık sorulan sorular
Qwen3-TTS ticari olarak kullanılabilir mi?
Evet. Qwen3-TTS'in modeli ve konuşma kodlayıcısı Apache-2.0 lisanslı. Ama referans ses ya sizin olmalı ya da izin aldığınız birine ait olmalı.
NVIDIA ekran kartı olmadan ücretsiz ses klonlama yapılabilir mi?
Evet. 0.6B yalnızca CPU ile çalışıyor, ama bir repliği klonlamak birkaç dakika sürüyor. Intel Core Ultra dahili grafik biriminiz ya da Arc ekran kartınız varsa PyTorch'un XPU sürümünü kurup device_map'i "xpu" yapın: benim dizüstü bilgisayarımda 6 saniyelik bir replik 16-18 saniyede klonlanıyor, CPU'dan 10 kattan fazla hızlı.
Qwen3-TTS Türkçeyi destekliyor mu?
Hayır. 21.11.2026 itibarıyla desteklediği 10 dil şunlar: Çince, İngilizce, Japonca, Korece, Almanca, Fransızca, Rusça, Portekizce, İspanyolca ve İtalyanca. Yine de kendi sesinizi klonlayıp bu dillerden birinde, örneğin bu yazıdaki gibi İngilizce konuşturabilirsiniz.
Qwen3-TTS Çince lehçeleri konuşabiliyor mu?
Resmî olarak desteklenen 10 dil arasında Kantonca ve Taiwanese Hokkien yok. Hazır seslerdeki lehçeler yalnızca Pekin lehçesi (Dylan) ve Sichuan lehçesi (Eric). Kantonca için CosyVoice 3'e bakabilirsiniz; lehçe komutları arasında Kantonca var.
Qwen3-TTS 0.6B ile 1.7B arasındaki fark ne?
1.7B'de ek olarak VoiceDesign (metinle tarif ederek ses tasarlama) var, CustomVoice modeli de komutla ton kontrolünü destekliyor. 0.6B'de yalnızca ses klonlama ve hazır sesler var. İki boyut da 10 dili destekliyor.
Yapay zekâ ile ses klonlama için referans kayıt ne kadar uzun olmalı?
Resmî açıklamaya göre 3 saniye yetiyor. Ben 8 saniyelik bir kayıt kullandım ve kelimesi kelimesine doğru metin dökümünü de ekledim. Kaydı sessiz bir ortamda, tek kişi konuşurken alın.
Sonuç: Intel dahili GPU ile de ses klonlama yapılabiliyor
Genel karşılaştırma yazısında, NVIDIA ekran kartı olmadan Qwen3-TTS ile ses klonlamayı unutmak gerektiğini düşünüyordum. Intel dahili grafik birimine geçince aynı repliğin üretim süresi 4,5 dakikanın üzerinden 16-18 saniyeye indi; üstelik yalnızca tek bir parametreyi, device_map'i değiştirdim. Dizüstü bilgisayarınızda Core Ultra varsa kesinlikle denemeye değer.
Siz de Qwen3-TTS'i denediyseniz ya da Intel dahili grafik biriminde başka yapay zekâ modelleri çalıştırdıysanız Threads veya X üzerinden yorum bırakın.

