Qwen3-TTS V2版 - 一句话指挥AI配音 自由定制你的专属声音 新增音色保存 音色创建 支持50系显卡 一键整合包下载
Qwen3-TTS 是阿里云团队推出的一个开源语音合成（Text-to-Speech, TTS）工具，它能把文字快速、自然地转成语音，还能定制声音风格、克隆声音，甚至支持实时对话场景。
Qwen3-TTS 把“做语音”这件事从专业配音员的活儿，变成了“会打字就会做”的程度，而且效果已经非常接近专业水准了，它的特点是声音逼真、可控、支持多语言，并且延迟极低，支持仅用 3 秒音频就能生动克隆声音、通过自然语言一句话 自由设计/控制音色情绪风格、超低延迟（最快 97ms）流式实时生成，支持 10 种语言 + 多方言，整体实现稳定、自然、富有表现力的语音合成。
今天分享的 Qwen3-TTS V2版（Qwen3-TTS 增强版）基于社区大佬NeoKazuya开源的版本打包支持，该版本保留了官方原版的三个功能外，新增音色保存功能，还新增了一个新的功能，即支持上传多个音色融合成一个新的音色。我在原版的基础上修复了几处bug，并新增了Flash_Attn加速，自动检查显卡是否支持加速，优先启用加速提升生成速度；新增了多出显存优化和回退机制，防止多次生成导致报显存错误。
核心亮点
一句话就能自定义声音风格（自然语言控制）
你可以直接写：“用温柔的御姐音，语速稍慢，带一点撒娇的感觉读这段话” AI就能尽量按你的描述来念，真的很像在跟AI导演配音。
3秒就能克隆你的声音（超快语音克隆）
只给你3秒音频，它就能模仿你的声音说话，克隆效果生动、自然，不像以前那种机器人感很重。
可以凭空“捏”一个新声音（自由语音设计）
不需要参考音频，你直接描述：“20岁元气少女声，带一点台湾腔”或者“低沉磁性大叔音，像Morgan Freeman那种感觉”，它就能试着生成。
延迟超低，能边想边说（流式生成）
最快97毫秒就能出声，非常适合做实时对话的AI助手、直播念评论、实时翻译配音等场景。
支持10种语言 + 很多方言
中、英、日、韩、德、法、西、俄、葡、意等。中文还包含普通话+粤语+闽南语+四川话+东北话+天津话等很多地方口音 音色超级丰富 官方自带几十种高质量预设音色（男女老少、不同性格、不同语言组合都有），直接挑着用就很好听。
应用领域
智能客服与语音助手 在客服系统或智能音箱中，提供自然流畅的语音回复，提升用户体验。
教育与培训 用于在线课程、语言学习软件，生成多语言讲解或练习音频。
内容创作与配音 视频博主、播客制作者可以快速生成不同风格的配音，无需真人录音。
游戏与虚拟角色 为游戏角色或虚拟人提供个性化声音，支持情绪化表达，让角色更真实。
无障碍应用 帮助视障人士通过文字转语音获取信息，提升信息可达性。
实时互动场景 如直播、在线会议、虚拟客服，利用低延迟语音生成实现即时交流。
使用教程：（建议N卡，显存6G起，支持50系显卡）
包含三种语音场景
1、语音设计：可以根据文字描述设计声音，比如“温柔女声”“年轻男声”，甚至能创造全新的声音角色
2、语音克隆：只需几秒钟的音频样本，就能快速复制某个人的声音，用来生成新的语音内容
3、语音定制：多种预设音色的文本转语音，支持定制情感
默认使用质量更高的1.7B模型，建议显卡显存8G起，显存低于8G可以使用上个版本，支持更小的0.6B模型。
关于声音描述：比如目标文本 “哥哥，你回来啦，人家等了你好久好久了，要抱抱！”
提示词可以借助大模型，写出你要表达的情感，比如下面的描述：“体现撒娇稚嫩的萝莉女声，音调偏高且起伏明显，营造出黏人、做作又刻意卖萌的听觉效果”
你也可以填写更多描述细节，比如男声女声，年龄等信息。
关于第二个“语音定制”标签，可以使用预置音色，议使用每位说话者的母语，以获得最佳质量。当然，每个说话者都可以说模型支持的任何语言。
以下是预置的几种音色介绍，大家可以根据需要选择：
Vivian 明亮、略带锋芒的年轻女性声音 中文
Serena 温暖、温柔的年轻女性声音 中文
Uncle_Fu 经验丰富的男性嗓音，音色低沉柔和 中文
Dylan 年轻的北京男性嗓音，音色清晰自然 汉语（北京方言）
Eric 活泼的成都男声，带着一丝沙哑明亮 中文（四川话）
Ryan 充满活力的男性声音，节奏感强劲 英语
Aiden 阳光的美国男声，中音清晰 英语
Ono_Anna 活泼的日本女性声音，音色轻盈灵巧 日语
Sohee 温暖的韩国女性声音，情感丰富 朝鲜语
下载地址：
UC网盘：https://drive.uc.cn/s/c02a35d92a4e4
下载主程序压缩包和模型（ckpts文件夹），解压主程序，并把ckpts文件夹移动到主程序目录下即可。
夸克网盘：
**** 本内容需购买 ****
百度网盘：
**** 本内容需购买 ****
报这个错，帮忙看看是什么问题啊。
File "C:\soft\Qwen3-TTS_V2\deepface\Lib\site-packages\transformers\models\auto\configuration_auto.py", line 1380, in from_pretrained
raise ValueError(
ValueError: Unrecognized model in models/Qwen3-TTS-12Hz-1.7B-CustomVoice. Should have a `model_type` key in its config.json, or contain one of the following strings in its name: aimv2, aimv2_vision_model 今天刚刚把tts v1 部署好。老大就发布了v2....太厉害了 ph.li 发表于 2026-1-26 18:59
报这个错，帮忙看看是什么问题啊。
File "C:\soft\Qwen3-TTS_V2\deepface\Lib\site-packages\transformers\ ...
模型是不是没下载完整？
还有你使用哪个功能报错的？ 本帖最后由 zhaoker 于 2026-1-28 17:24 编辑
To create a public link, set `share=True` in `launch()`.
✅ Flash Attention available (GPU: NVIDIA CMP 40HX, compute: 7.5)
Loading Voice Clone model (1.7B-Base) with flash_attention_2...
✓ Voice Clone model loaded!
C:\develop\Qwen3-TTS_V2\qwen_tts\inference\qwen3_tts_model.py:218: UserWarning: PySoundFile failed. Trying audioread instead.
audio, sr = librosa.load(x, sr=None, mono=True)
C:\develop\Qwen3-TTS_V2\deepface\Lib\site-packages\librosa\core\audio.py:184: FutureWarning: librosa.core.audio.__audioread_load
Deprecated as of librosa version 0.10.0.
It will be removed in librosa version 1.0.
y, sr_native = __audioread_load(path, offset, duration, dtype)
使用声音克隆 ，上传了我的声音，然后生成过了，3秒后，日志那边一个X ，啥都没有显示，我用自带的文字生产音频没有问题
http://share.nook.vip/test/001.png zhaoker 发表于 2026-1-28 17:23
To create a public link, set `share=True` in `launch()`.
✅ Flash Attention available (GPU: NVIDIA C ...
NVIDIA CMP 40HX是什么显卡 无言以对 发表于 2026-1-28 17:48
NVIDIA CMP 40HX是什么显卡
终于问题解决了，把ffmpeg升级到最新版6.1搞定，我那个nvidia 40HX是无头矿卡，8GB显存，性能跟RTX2060S 差不多。
架构与性能： 采用 12nm 工艺的 Turing 架构，拥有较高的计算能力。相比前代Pascal架构矿卡（如P106），启用了 Tensor Core，在 AI 运算和绘画方面表现更好。
显存配置： 提供 8GB GDDR6 大容量显存，搭配 256-bit 位宽，适合高强度的算力需求。
页:
[1]