阿里Qwen3-TTS高质量声音克隆语音合成系统，AI视频配音多人对话生成工具

Qwen3-TTS 是由阿里 Qwen 团队开发的新一代语音合成系统，基于自研的 Qwen3-TTS-Tokenizer-12Hz 编解码器和离散多码本 LM 架构，实现了端到端的全信息语音建模。它突破了传统级联架构的信息瓶颈，支持音色克隆、音色设计、预设音色合成等多种语音生成能力，覆盖 10 种主要语言，可广泛应用于内容创作、有声读物、语音助手、游戏配音等场景。

我基于当前最新版制作了免安装一键启动整合包，重做UI界面，并增加多人对话功能，取消Flash-Attention改为xformers实现了对低端显卡的友好支持，开箱即用。

核心技术亮点

• Qwen3-TTS-Tokenizer-12Hz 编码器：高效声学压缩与高维语义建模，完整保留副语言信息和声学环境特征。
• 离散多码书 LM 架构：真正的端到端架构，完全绕过传统 LM+DiT 方案的信息瓶颈和级联误差。
• 双轨混合流式生成架构：同时支持流式与非流式生成，首包延迟最低 97ms。
• 自然语言指令控制：通过文字描述即可控制音色、情感、语速、语调等多维声学属性。

模型系列与功能特点

Qwen3-TTS 提供三个核心模型，各自承担不同的语音合成任务：

支持的 10 种语言

中文、英语、日语、韩语、法语、德语、西班牙语、葡萄牙语、俄语、意大利语。

9 种预设音色（CustomVoice）

每位说话人均可使用模型支持的所有语言进行合成，但以其母语表现最佳。

WebUI界面功能详解

软件启动后会自动打开 http://127.0.0.1:7860 WEBUI操作界面。界面共分为 4 个功能标签页和一个设置面板。

⚙️ 模型与生成参数设置（可折叠面板）

在页面顶部，可展开进行全局参数配置：

• 模型路径：分别设置 CustomVoice、VoiceDesign、Base（音色克隆）三个模型的路径（支持 Hugging Face 模型 ID 或本地目录）。
• 设备选择：cuda:0 / cuda:1 / cpu，GPU 显存不足时可切换到 CPU（速度较慢）。
• 精度选择：bfloat16（推荐）、float16、float32。低精度节省显存，高精度质量更稳。
• 生成参数：
  • max_new_tokens（最大生成 Token 数）：控制输出音频长度，值越大可生成越长音频。
  • Temperature：温度值，越高随机性越强，越低越稳定（推荐 0.9）。
  • Top-K：采样时仅考虑概率最高的 K 个 token，越小越稳定。
  • Top-P：核采样累积概率阈值。
  • 重复惩罚系数：抑制词语重复，值越大重复越少。
• 保存设置：修改参数后点击保存，下次生成时自动加载新配置。

标签页 1：🎤 预设音色 TTS

功能：使用预设说话人合成语音，适合快速生成高质量朗读内容。

操作步骤：

1. 在”合成文本”框中输入要合成的文字。
2. 选择语言（建议明确选择以获最佳效果，或选 Auto 自动识别）。
3. 选择说话人（从 9 种预设音色中挑选）。
4. （可选）填写风格指令，例如：”用特别愤怒的语气说”、”温柔地、轻声细语地念”。
5. 选择模型大小（0.6B 更快省显存，1.7B 质量更高）。
6. 点击 生成语音，稍后在右侧音频播放器中试听结果。

典型用例：有声书朗读、语音提示、多风格配音。

标签页 2：🎨 音色设计

功能：用自然语言描述你想要的音色，模型直接生成符合描述的语音。这是 Qwen3-TTS 最具创新性的功能之一。

操作步骤：

1. 在”合成文本”框中输入要合成的文字内容。
2. 选择语言。
3. 填写音色描述（关键输入），例如：
   • “体现撒娇稚嫩的萝莉女声，音调偏高且起伏明显”
   • “低沉沙哑的磁性男声，语速较慢，带有沧桑感”
   • “用难以置信的语气说话，但语气中要开始流露出一丝恐慌”
4. 点击 生成语音。

典型用例：游戏角色配音、动画配音、创意内容制作，无需真实录音即可创造全新音色。

标签页 3：🎭 音色克隆

功能：上传一段参考音频，克隆其音色后合成任意新内容。包含两个子标签页。

子标签页 3.1：克隆并合成

操作步骤：

1. 上传参考音频（WAV/MP3 等格式，建议 3-30 秒清晰录音）。
2. 填写参考文本（参考音频的准确转录文字）。
3. 或勾选 “仅使用说话人向量”（无需参考文本，但克隆效果略差）。
4. 在”待合成文本”中输入要生成的内容。
5. 选择语言和模型大小。
6. 点击 克隆并生成。

子标签页 3.2：保存 / 加载音色

功能：将音色克隆的提示（Prompt）保存为 .pt 文件，便于重复使用，避免每次合成都重新提取特征。

保存音色：上传参考音频 → 填写参考文本 → 点击保存 → 下载 .pt 文件。

加载并合成：上传之前保存的 .pt 文件 → 输入待合成文本 → 点击生成语音。

典型用例：为固定角色批量配音、保护隐私（只需提供音色文件不需要保留原始音频）。

标签页 4：👥 多人对话合成

功能：一次合成包含多个角色的对话音频，自动拼接。

操作步骤：

1. 在”对话文本”框中按格式编写剧本，使用 [sp1] ~ [sp5] 标签标记不同说话人：[sp1]你好啊，[sp2]今天天气不错， [sp3]我们一起去玩吧，[sp4]好啊，[sp5]太棒了！
2. 选择语言。
3. 在下方发音人参考音频设置区域，为每个用到的 sp 标签上传对应的参考音频。
4. 点击 生成多人对话，系统自动分段合成并拼接为完整对话音频。

典型用例：广播剧制作、播客对谈、动画配音、语言教学对话示例。

使用注意事项

硬件要求

• 显存不足时可尝试 float16 精度或切换到 CPU 模式（速度会显著变慢）。
• 若使用多人对话功能，需额外预留显存空间。

参考音频要求（音色克隆）

• 时长：建议 3~10 秒，过短则音色特征提取不充分，过长则冗余。
• 清晰度：尽量使用干净、无背景噪音的录音。
• 内容：参考音频应包含说话人自然的音色特征，建议覆盖多种发音。
• 格式：程序自动处理常见音频格式（WAV、MP3、FLAC 等）。

语言选择建议

• 明确选择目标语言可获得最佳合成效果。
• 若不确定文本语言，可选 “Auto” 让模型自动识别。
• 预设说话人以母语表现最佳，但也可用于其他语言。

合成文本注意事项

• 文本不宜过短（少于 5 个字效果可能不理想）。
• 过长文本建议分批次生成，避免 max_new_tokens 不足截断。
• 标点符号会影响韵律，合理使用逗号、句号、问号等。
• 暂时不支持 SSML（语音合成标记语言）。

音色文件使用

• 保存的 .pt 音色文件包含了说话人向量和可选的参考编码，不含原始音频，可安全分发。
• 音色文件与特定 Base 模型版本相关，大版本更新后可能需要重新生成。

免责声明

本软件生成的音频由 AI 模型自动合成，仅供体验与展示模型效果。用户应自行评估并承担使用、传播或依赖该音频所产生的一切风险与责任。严禁利用本服务生成违法、有害、诽谤、欺诈、深度伪造或侵犯他人权益的内容。

Qwen3-TTS声音克隆语音合成软件下载链接

https://pan.quark.cn/s/e0374d90ef7a