Qwen3-TTS 技能
将文本转换为高质量语音的完整工作流。
🚀 快速开始
场景 1：单句语音生成
直接调用脚本生成语音：
# 中文语音（默认 Vivian 女声）
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py custom-voice \
--language Chinese \
--text "你好，欢迎使用语音合成。" \
--out-dir outputs
# 英文语音（默认 Ryan 男声）
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py custom-voice \
--language English \
--text "Hello, welcome to text-to-speech." \
--out-dir outputs场景 2：长文稿批量配音
将文章转换为完整语音文件：
用户文稿 → [AI分析生成配音稿] → [用户审核] → [批量TTS] → 完整语音.wav详见下方 长文稿批量配音 章节。
📋 模型选择指南
根据需求选择合适的模型：
| 模式 | 模型 | 适用场景 | 命令 |
|---|---|---|---|
| CustomVoice | Qwen3-TTS-12Hz-1.7B-CustomVoice | 使用内置音色 + 情感控制 | custom-voice |
| VoiceDesign | Qwen3-TTS-12Hz-1.7B-VoiceDesign | 用自然语言描述想要的音色 | voice-design |
| VoiceClone | Qwen3-TTS-12Hz-1.7B-Base | 克隆参考音频的声音 | voice-clone |
| Tokenizer | Qwen3-TTS-Tokenizer-12Hz | 音频编解码 | tokenizer-roundtrip |
内置 Speaker（CustomVoice 模式）
| 语言 | 默认 Speaker | 说明 |
|---|---|---|
| Chinese | Vivian | 女声，自然 |
| English | Ryan | 男声 |
| Japanese | Ono_Anna | 女声 |
| Korean | Sohee | 女声 |
🎙️ 单句语音生成
CustomVoice（推荐入门）
使用内置音色，可选情感控制：
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py custom-voice \
--language Chinese \
--text "其实我真的有发现，我是一个特别善于观察别人情绪的人。" \
--speaker Vivian \
--instruct "轻松愉快的语气" \
--out-dir outputs参数说明：
--language：Chinese / English / Japanese / Korean--speaker：可选，不填则按语言自动选默认--instruct：可选，情感/语气控制（如"开心地说"、"低沉缓慢"）--output：可选，指定输出文件名（默认自动生成时间戳文件名）
VoiceDesign（设计独特音色）
用自然语言描述想要的音色：
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py voice-design \
--language Chinese \
--text "哥哥，你回来啦，人家等了你好久好久了，要抱抱！" \
--instruct "体现撒娇稚嫩的萝莉女声，音调偏高且起伏明显。" \
--out-dir outputs注意：VoiceDesign 的 --instruct 是必填的，用于描述音色特征。
VoiceClone（语音克隆）
克隆参考音频的声音：
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py voice-clone \
--language English \
--ref-audio "path/to/reference.wav" \
--ref-text "参考音频的文本内容" \
--text "要合成的新文本" \
--out-dir outputs参数说明：
--ref-audio：参考音频文件路径或 URL--ref-text：参考音频对应的文本（必填）--x-vector-only-mode：可选，仅使用说话人特征（质量可能降低）
⚠️ 注意：VoiceClone 不支持 --instruct 情感控制。
Tokenizer（音频编解码）
用于音频的编码和解码验证：
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py tokenizer-roundtrip \
--audio "path/to/audio.wav" \
--out-dir outputs🎬 长文稿批量配音生成
将长文章、剧本、有声书内容转换为完整语音文件。
工作流程
┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐ ┌─────────────────┐
│ Step 1 │ │ Step 2 │ │ Step 3 │ │ 输出 │
│ AI分析文稿 │ ──→ │ 用户审核修改 │ ──→ │ 批量生成语音 │ ──→ │ 完整语音.wav │
│ 生成配音稿JSON │ │ 保存.json文件 │ │ FFmpeg合并 │ │ │
└─────────────────┘ └─────────────────┘ └─────────────────┘ └─────────────────┘Step 1：让 AI 生成配音稿
向 AI 说：*"把下面这篇文章转成语音"* + 贴上文章内容
AI 会按 dubbing-skills/SKILL.md 的规则：
- 智能切分（每段 200-300 字）
- 识别角色（
【旁白】、【小明】等） - 分析情感，生成
instruct - 输出配音稿 JSON
Step 2：用户审核修改
检查 JSON 并调整：
- 切分是否合理
- 角色分配是否正确
- 情感
instruct是否合适 - TTS 模式是否需要调整
保存为 article.dubbing.json 文件。
Step 3：批量生成语音
uv run qwen3-tts-skills/scripts/batch_dubbing.py \
--input article.dubbing.json \
--out-dir outputs参数说明：
| 参数 | 说明 | 默认值 |
|---|---|---|
--input | 配音稿 JSON 文件 | 必填 |
--out-dir | 输出目录 | outputs |
--silence-gap | 普通段落间静音（秒） | 0.3 |
--character-switch-gap | 角色切换时静音（秒） | 0.5 |
--clean-segments | 合并后删除中间片段 | 保留 |
输出结构
outputs/
├── segments/
│ ├── seg_001_旁白.wav
│ ├── seg_002_小明.wav
│ └── ...
├── article.dubbing.json # 配音稿备份
└── article_final.wav # 最终完整语音支持的三种模式
| 模式 | 说明 | 适用场景 |
|---|---|---|
custom-voice | 内置音色 + 情感指令 | 大多数场景（默认） |
voice-design | 自然语言描述音色 | 需要特定音色（萝莉、大叔等） |
voice-clone | 克隆参考音频 | 需要真人/特定人声音 |
🔧 环境配置
推荐方式：直接用 uv run
脚本内已声明依赖，无需手动安装：
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py -h创建固定虚拟环境
uv venv --python 3.12
.\.venv\Scripts\activate
uv pip install -U qwen-tts安装 FlashAttention 2（可选，降低显存）
uv pip install -U flash-attn --no-build-isolation
# 内存 < 96GB 时限制并行任务
MAX_JOBS=4 uv pip install -U flash-attn --no-build-isolation使用条件：
- 硬件兼容 FlashAttention 2
- 模型以
torch.float16或torch.bfloat16加载
安装 FFmpeg（批量配音必需）
Windows：
choco install ffmpeg -y验证安装：
ffmpeg -version📥 模型离线下载
使用 ModelScope（中国大陆推荐）
uv pip install -U modelscope
modelscope download --model Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --local_dir ./Qwen3-TTS-12Hz-1.7B-CustomVoice
modelscope download --model Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign --local_dir ./Qwen3-TTS-12Hz-1.7B-VoiceDesign
modelscope download --model Qwen/Qwen3-TTS-12Hz-1.7B-Base --local_dir ./Qwen3-TTS-12Hz-1.7B-Base
modelscope download --model Qwen/Qwen3-TTS-Tokenizer-12Hz --local_dir ./Qwen3-TTS-Tokenizer-12Hz使用 Hugging Face
uv pip install -U "huggingface_hub[cli]"
huggingface-cli download Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --local-dir ./Qwen3-TTS-12Hz-1.7B-CustomVoice
huggingface-cli download Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign --local-dir ./Qwen3-TTS-12Hz-1.7B-VoiceDesign
huggingface-cli download Qwen/Qwen3-TTS-12Hz-1.7B-Base --local-dir ./Qwen3-TTS-12Hz-1.7B-Base
huggingface-cli download Qwen/Qwen3-TTS-Tokenizer-12Hz --local-dir ./Qwen3-TTS-Tokenizer-12Hz🖥️ 本地 Web UI 演示
# 查看帮助
qwen-tts-demo --help
# 启动 CustomVoice
qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --ip 0.0.0.0 --port 8000
# 启动 VoiceDesign
qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign --ip 0.0.0.0 --port 8000HTTPS 支持（解决麦克风权限问题）
# 生成自签名证书
openssl req -x509 -newkey rsa:2048 -keyout key.pem -out cert.pem -days 365 -nodes -subj "/CN=localhost"
# 启用 HTTPS
qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-Base \
--ip 0.0.0.0 --port 8000 \
--ssl-certfile cert.pem \
--ssl-keyfile key.pem \
--no-ssl-verify📚 参考文档
| 文档 | 说明 |
|---|---|
dubbing-skills/SKILL.md | 配音稿生成规范（AI 阅读用） |
dubbing-skills/references/dubbing_format.md | 配音稿 JSON 格式详细规范 |
dubbing-skills/references/examples.md | 各种场景的配音稿示例 |
references/python_api.md | Python API 集成指南 |
⚡ 性能参数
uv run qwen3-tts-skills/scripts/run_qwen3_tts.py custom-voice \
--device-map cuda:0 \
--dtype bfloat16 \
--attn flash_attention_2 \
--language Chinese \
--text "测试文本" \
--out-dir outputs| 参数 | 说明 |
|---|---|
--device-map | 指定 GPU（如 cuda:0）或 CPU |
--dtype | 数据类型：auto / bfloat16 / float16 / float32 |
--attn | 注意力实现：auto / flash_attention_2 |
❓ 常见问题
Windows 路径问题
绝对路径需要用双引号包裹：
uv run "C:/Users/lee/.config/alma/skills/qwen3-tts-skills/scripts/run_qwen3_tts.py" -hSoX 警告
如果看到 SoX could not be found!，安装 SoX（不影响功能，只是消除警告）：
choco install sox.portable -y模型下载慢
优先使用 ModelScope（中国大陆）或提前下载到本地目录。