2026 秋 · 发自宁静基地
走进月球工作室 ↗
terryl.in月球基地日志 — 一个人在月球工作室的开发笔记
AI 工具

Qwen3-TTS 教程:免费 AI 声音克隆,Intel 核显快 10 倍

8 秒录音就能克隆声音,Intel 核显跑一句不到 20 秒,比 CPU 快 10 倍以上。实测 XPU 安装、声音克隆、内置音色,以及繁体为什么要转简体。

月球基地的工作室里,宇航员坐在笔记本电脑前,电脑里的芯片发出橙光,声波飞向音箱和拿着秒表的小机器人
月球基地的工作室里,宇航员坐在笔记本电脑前,电脑里的芯片发出橙光,声波飞向音箱和拿着秒表的小机器人

这是开源 TTS(文本转语音)系列的第三篇。我在《免费 AI 配音,可商用》里做了总览,上一篇《CosyVoice 3 教程》介绍了只用 CPU 也能跑的声音克隆。这篇轮到 Qwen3-TTS。

在那篇总览里,我用 CPU 跑 Qwen3-TTS 的声音克隆,一句台词要等 4 分钟以上,当时的结论是“要克隆大量台词,还是得有 NVIDIA 显卡”。这次我改用笔记本的 Intel 核显,同一句只要 16~18 秒,这次实测快了 10 倍以上,而且不用改软件包的源代码。不过要说明一下:CPU 测试时电脑上还开着其他程序,核显测试时则没有其他负载。这篇文章记录了 Intel 核显(PyTorch XPU)的本地部署步骤,也用我自己的声音实际演示声音克隆。

Qwen3-TTS 是什么?可以商用吗?

Qwen3-TTS 是阿里巴巴通义千问(Qwen)团队在 2026 年 1 月 22 日开源的语音生成模型系列。以下信息来自 GitHub 和 Hugging Face 模型页,查询日期为 2026-11-21:

项目

内容

许可证

Apache-2.0,可以商用

大小

0.6B(6 亿参数)和 1.7B(17 亿参数)

语言

中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语,共 10 种

声音克隆

官方表示只需 3 秒的参考音频

训练数据

技术报告中写的是超过 500 万小时、涵盖 10 种语言的语音

安装

pip install -U qwen-tts(我安装的是 0.1.1)

三种模型:Base、CustomVoice、VoiceDesign

Qwen3-TTS 按用途分成三种,名字里的 12Hz 指的是它用的语音编码器:

模型

用途

0.6B

1.7B

用指令控制语气

Base

声音克隆,也能用来微调

有

有

不行

CustomVoice

9 种内置音色

有

有

只有 1.7B 可以

VoiceDesign

用一段文字描述,设计出新的声音

没有

有

可以

这篇文章用的都是 0.6B 模型。从 Hugging Face 下载时,Base 和 CustomVoice 各约 2.4 GB。

9 种内置音色

CustomVoice 的内置音色(根据官方说明翻译):

名称

声音

母语

Vivian

明亮、带点个性的年轻女声

中文

Serena

温暖、温柔的年轻女声

中文

Uncle_Fu

成熟男声,低沉圆润

中文

Dylan

年轻男声,北京腔

中文(北京话)

Eric

活泼的成都男声,略带沙哑

中文(四川话)

Ryan

节奏感强的男声

英语

Aiden

阳光的美国男声

英语

Ono_Anna

俏皮、轻快的女声

日语

Sohee

温暖、情感丰富的女声

韩语

官方建议优先用每个音色的母语,效果最好;不过每个音色都能说 10 种语言。

电脑配置:没有 NVIDIA 显卡能跑吗?

能。官方示例都使用 device_map="cuda:0",搭配 bfloat16 和 FlashAttention 2,GitHub 和模型页都没提到 CPU 或 Intel 显卡。实际上 CPU 和 Intel 核显都跑得动。

我的笔记本是 Intel Core Ultra 5 322(6 核),显卡是 Panther Lake 核显,没有独立显卡。用 0.6B 克隆我自己的声音,朗读同一句时长约 6 秒的中文台词(简体输入):

用什么跑

生成时间

耗时倍率(越小越快)

CPU(6 核)

约 270 秒

约 42

Intel 核显(PyTorch XPU)

16~18 秒

2.7~3.0

Intel 核显,改用 bfloat16

约 12 秒

约 2.2

耗时倍率是生成时间除以音频时长,例如 3.0 就表示生成 1 秒的语音需要花 3 秒。

CPU 我测了两次,分别是 272 秒和 402 秒,测的时候电脑上还开着其他程序,所以两次耗时差别很大,但无论哪一次都要 4 分半以上。核显是在电脑没有其他负载时测的,同一句连续生成 3 次:第一次要先编译,约 20 秒,之后是 16~18 秒。

另外,加载模型约 6~10 秒。内置音色(CustomVoice)在核显上的速度也差不多:一句约 8 秒的台词,生成约 18~20 秒。

跟上一篇的 CosyVoice 3 比,同样是声音克隆,Qwen3-TTS 在核显上约快 2 倍。我用同一段录音、同样两句台词对照:Qwen3-TTS 一句 16~28 秒,CosyVoice 3 要 29~61 秒。(CosyVoice 3 那篇写的耗时倍率 2.5,是不提供转写文本的跨语言模式,比提供转写文本的克隆模式快。)CPU 上差距更大:CosyVoice 3 用 CPU 克隆一句约两分钟,Qwen3-TTS 要 4 分半以上。用 Qwen3-TTS 做声音克隆,核显几乎是必需的。

Qwen3-TTS 本地部署教程(CPU 版)

我的环境是 Linux(Arch),Python 用 uv 管理。官方建议新建一个 Python 3.12 环境。

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

先从 PyTorch 的 CPU 专用源安装 torch,否则 Linux 上默认会下载带 CUDA 的版本,多占好几 GB。

官方还建议装 FlashAttention 2 加速,但它是可选的,而且要配合兼容的显卡,CPU 和 Intel 核显都用不上,可以跳过。

生成第一句

import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

# 声音克隆:Base 模型 + 参考音频 + 参考音频的转写文本
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="要朗读的台词", language="Chinese",
                                  ref_audio="ref.wav", ref_text="参考音频的转写文本")
sf.write("out.wav", wavs[0], sr)

第一次运行会自动从 Hugging Face 下载模型。内置音色改用 CustomVoice 模型:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
                                  device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="要朗读的台词", speaker="Uncle_Fu", language="Chinese")

language 可以写 Chinese、English、Japanese 这类语言名称,也可以用 Auto 让它自动判断。

Intel 核显加速教程(PyTorch XPU)

这是本文的重点。PyTorch 支持 Intel 显卡的后端叫 XPU,从官方源就能直接安装 XPU 版,不用自己编译。

根据 PyTorch 官方的 XPU 说明,支持的 Intel 显卡包括 Arc A/B 系列独立显卡,以及 Core Ultra 的核显:Meteor Lake、Arrow Lake、Lunar Lake 和 Panther Lake。官方列出的系统是 Windows 11 和 Ubuntu(Panther Lake 要 Ubuntu 26.04)。我用的是 Arch Linux,不在支持列表中,也能正常运行。

我另外建了一个核显专用的环境,CPU 版的环境保留不动。

1. 安装 Intel 的计算驱动

桌面系统通常只安装了用于图形显示的驱动。要让 PyTorch 用显卡做计算,还要装 Intel 的计算驱动(Level Zero)。Arch Linux:

sudo pacman -S intel-compute-runtime

2. 安装 XPU 版 PyTorch

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))"

输出 True Intel(R) Graphics 就说明识别到核显了。我安装的是 PyTorch 2.15.0。

3. 锁定 torch 版本,再装 qwen-tts

接下来装 qwen-tts 时,它会顺便检查 torch。如果让包管理工具自己挑,可能会把刚装好的 XPU 版换成普通版。所以我先写一个约束文件,锁定版本:

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

版本号换成你实际安装的版本(可以用 uv pip list 查)。--index-strategy unsafe-best-match 让 uv 可以同时从 PyPI 和 PyTorch 的 XPU 源选择软件包。

上一篇的 CosyVoice 3 在这一步遇到了 triton 冲突:openai-whisper 会顺带装旧版 triton,覆盖掉 XPU 需要的 triton-xpu。Qwen3-TTS 用不到 openai-whisper,这次就没遇到。如果你看到 cannot import name 'make_tensordesc_args' 的错误,处理方法可以参考上一篇。

4. 把 device_map 改成 xpu

这是与 CosyVoice 3 区别最大的地方。CosyVoice 的代码只认 CUDA,我得先在 CPU 上加载,再手动把模型搬到核显。Qwen3-TTS 用的是 Hugging Face transformers 的加载方式,直接把 device_map 改成 "xpu" 就行,不用改软件包的源代码:

m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
                                  device_map="xpu", dtype=torch.float32)

dtype 是模型计算用的数值精度。float32 是 32 位浮点数,精度高,但比较慢、比较占内存;bfloat16 只用 16 位,速度快、省内存,精度较低。官方示例用的是 dtype=torch.bfloat16。

我平时用 float32,也试了 bfloat16:同一句从 16~18 秒缩短到约 12 秒,用语音识别(Whisper)转回文字后,内容也正确。不过两次生成的音频时长不同(bfloat16 是 5.3 秒,float32 是 6.0 秒),比较速度时也要注意这个差异。

我对比了两个版本,音质差别很小,要仔细听才分辨得出来。所以用 Intel 核显跑时,建议直接用 bfloat16,这次测试每句还能再省约三成时间。

第一次在核显上生成,要先编译计算程序,会比较慢;在同一个程序中继续生成,速度就正常了。所以要生成一批台词时,模型只加载一次,逐句生成,不要每句都重启程序。

我把 CPU 和核显两种用法封装成一个命令,放在 ~/tools/qwen3-tts/,每个项目都能直接调用。加上 --device xpu,就会改用核显的环境。

实测一:用我自己的声音演示声音克隆

参考录音和上一篇相同,是我用手机录制的一段 8 秒音频。

声明:本节的示例音频都是作者 Terry L 本人的声音,以及用本人声音克隆的结果。版权所有,请勿下载、转载,或用于其他用途(包括声音克隆)。
我本人的原始录音(8 秒):“欢迎大家来到我的月球基地。我的文章记录我对于各种工具的测试,希望对您有帮助。”版权所有,请勿用于其他用途

下面两句我从来没念过,是 Qwen3-TTS 0.6B 在 Intel 核显上,用上面那段录音及其转写文本克隆生成的。台词和转写文本都是简体输入(原因见实测二):

克隆我的声音:“这句话是 Qwen3-TTS 用我录的八秒钟声音克隆出来的。我本人从来没有念过这句话。”版权所有,请勿用于其他用途
克隆我的声音:“这段声音是在我笔电的 Intel 内显上生成的,没有用到 NVIDIA 显示卡。”版权所有,请勿用于其他用途

第二句比较难念,台词里有“Intel”“NVIDIA”“内显”“显示卡”,中英文混在一起。我连续生成了 3 个版本,前两个不是把“显示卡”念错,就是把“NVIDIA”念得含糊,第三个才完全正确。用 Qwen3-TTS 念这类台词时,记得多生成几个版本再挑。

我觉得生成的中文语音很像我自己的声音。

跨语言克隆:同一段中文录音,也能拿来说英语和日语:

克隆我的声音说英语:“This sentence was generated by Qwen3-TTS from an eight-second clip of my voice. I never actually said it.”版权所有,请勿用于其他用途
克隆我的声音说日语:“この声は、私の8秒の録音から作られました。”版权所有,请勿用于其他用途

日语那句我用语音识别(Whisper)转回文字对比,内容完全正确。英语那句除了“Qwen3-TTS”这个名字被识别成别的词,其他内容都正确,没有多念或漏字。

不过内容对,不代表好听。英语那句我听着很不流畅,断断续续的,不太自然。同一段录音拿去说英语,上一篇的 CosyVoice 3 明显流畅很多。要用自己的声音说其他语言,CosyVoice 3 的跨语言克隆能力更强。

实测二:直接输入简体,繁体会读错

在那篇总览中,我就发现:台词用繁体输入,Qwen3-TTS 会把多音字念错。这次用我自己的声音再测一次。网站首页是一个 3D 月球基地小游戏,基地里有间酒吧,酒保是向电影《太空旅客》(Passengers,2016)致敬的机器人亚瑟(刻意不模仿迈克尔·辛的声音,现在用的是我的声音)。下面是他的台词,同一句分别用繁体和简体输入:

克隆我的声音,繁体输入:“酒保是替人保守秘密的。這是這份行業的神聖信用。”版权所有,请勿用于其他用途
同一句用简体输入:“酒保是替人保守秘密的。这是这份行业的神圣信用。”版权所有,请勿用于其他用途

我听下来,繁体版把“行业”念成了“商议”,简体版就正确念成 háng。

平时就用简体的话,直接输入即可,不用做任何处理。如果台词或参考录音的转写文本用的是繁体,用 Python 的 OpenCC 一行就能转:

from opencc import OpenCC
t2s = OpenCC("t2s").convert
text = t2s("這是這份行業的神聖信用")  # 这是这份行业的神圣信用

我习惯用繁体写台词,所以送进 Qwen3-TTS 之前会自动转成简体,参考录音的转写文本也一起转。念出来还是同一句话。

这一点 CosyVoice 3 比较省事:直接输入繁体,它大多也能读对,只有个别字要改。

实测三:9 种内置音色(CustomVoice)

不想克隆,或者还没有角色的参考音频时,可以直接用内置音色。下面都是用 0.6B 的 CustomVoice 在核显上生成的,台词是“欢迎来到月球基地的酒吧。今天想喝点什么?”(简体输入):

内置音色 Uncle_Fu
内置音色 Vivian
内置音色 Serena
内置音色 Dylan(北京话)
内置音色 Eric(四川话)

英语内置音色 Aiden,台词是“Welcome to the bar on the lunar base. What can I get you tonight?”:

内置音色 Aiden(英语)

Eric 一开口就听得出四川口音,想让角色带一点地方口音,可以直接用它。

0.6B 的 CustomVoice 不能用指令控制语气,想通过“用生气的语气说”这类指令控制语气,要改用 1.7B。

Qwen3-TTS 和 CosyVoice 3 怎么选?

这两个模型都由阿里巴巴开源,采用 Apache-2.0 许可证,可以商用。我在同一台笔记本上都测过:

项目

Qwen3-TTS 0.6B

CosyVoice 3(0.5B)

许可证

Apache-2.0

Apache-2.0

语言

10 种

9 种(没有葡萄牙语)

方言

内置音色有北京话、四川话

18 种以上,用指令切换

繁体中文

要先转简体

大多可以直接输入

用指令控制语气

0.6B 不行(1.7B 的 CustomVoice、VoiceDesign 可以,Base 不行)

可以(方言、语速、情绪)

用 Intel 核显

device_map 改成 "xpu" 就行

要手动把模型搬到核显

核显克隆一句(同样台词)

16~28 秒(bfloat16 更快)

29~61 秒

CPU 克隆一句

4 分半以上

约 2 分钟

跨语言克隆(中文录音说英语)

听起来不流畅

流畅很多

简单来说:

  • 有 Intel 核显、追求速度、想直接用内置音色:选 Qwen3-TTS,设置最简单,克隆也比较快。
  • 要用自己的声音说英语等其他语言:选 CosyVoice 3,跨语言克隆流畅很多。
  • 台词以繁体中文为主、要方言或情绪指令:选 CosyVoice 3,大多可以直接输入繁体,还能用一句话指定广东话、四川话、语速和情绪。
  • 只有 CPU:CosyVoice 3 克隆一句约两分钟,Qwen3-TTS 要 4 分半以上,只有 CPU 的话 CosyVoice 3 更实用。

可以克隆别人的声音吗?

技术上可以,只需要一段清晰、无杂音的录音。但只应克隆自己的声音,或在获得对方同意后克隆其声音。Apache-2.0 许可证允许商用的是模型本身,不代表你可以使用任何人的声音。名人的声音受人格权保护;用别人的声音说他没说过的话,也可能涉及诈骗或诽谤。

常见问题

Qwen TTS 可以商用吗?

可以。Qwen3-TTS 的模型和语音编码器都采用 Apache-2.0 许可证。但参考音频必须使用你自己的声音,或在获得对方同意后使用其声音。

没有 NVIDIA 显卡可以本地部署 Qwen3-TTS 吗?

可以。0.6B 用 CPU 就能跑,但声音克隆一句要好几分钟。有 Intel Core Ultra 核显或 Arc 显卡的话,装 XPU 版 PyTorch,把 device_map 改成 "xpu",我的笔记本克隆一句 6 秒的台词约 16~18 秒,比 CPU 快 10 倍以上。

Qwen3-TTS 支持繁体中文吗?

可以输入繁体,但我实测会把“行业”这类多音字念错。先用 OpenCC 把台词转成简体再送进去,就念对了。平时写简体的话直接输入即可。

Qwen3-TTS 会说广东话、闽南话吗?

官方支持的 10 种语言里没有广东话和闽南话,内置音色的方言只有北京话(Dylan)和四川话(Eric)。要广东话可以考虑 CosyVoice 3,它的方言指令里有广东话。

Qwen3-TTS 0.6B 和 1.7B 有什么区别?

1.7B 多了 VoiceDesign(用文字描述设计声音),CustomVoice 也能用指令控制语气;0.6B 只有声音克隆和内置音色。这两种规模的模型都支持 10 种语言。

声音克隆的参考录音要多长?

官方说 3 秒就能克隆。我用的是 8 秒的录音,并提供了一字不差的转写文本。录音环境要安静,而且只能有一个人说话。

结语:Intel 核显也能做声音克隆

在那篇总览中,我以为没有 NVIDIA 显卡就别想用 Qwen3-TTS 克隆声音。换到 Intel 核显之后,同一句从 4 分半以上变成 16~18 秒,而且只改了 device_map 一个参数。如果你的笔记本是 Core Ultra,很值得试一试。

如果你也试了 Qwen3-TTS,或者用 Intel 核显跑过其他 AI 模型,欢迎到 Threads 或 X 留言。