本页由英文机器翻译而成。阅读英文原文。

Qwen3-TTS 0.6B Base(语音模型)

官方音频GPUv1.0.2aigd.audio-qwen3-tts-0-6b-base
安装 还没安装应用?免费下载
或从终端安装
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base
在你的电脑上运行。 只需下载一次模型,之后即可在这台电脑的 GPU 上生成。

概览

Qwen3-TTS 0.6B Base:文本转语音,能用一段 3 秒或更长的参考片段克隆声音,支持 10 种语言,24 kHz,适合角色对白和旁白。较小的克隆模型,适用于约 4 GB 显存的 GPU(估算)。通过 audio.cpp 在本地运行。Apache-2.0,允许商业使用。

Qwen3-TTS 0.6B Base 是阿里云 Qwen3-TTS 家族中较小的声音克隆模型。它能用一段 3 秒或更长的参考片段的声音,说出 10 种语言的任意文本,并且能装进较小的 GPU。在 AI Game Dev 应用中,它通过本地音频生成(aigd.audiocpp,即 audio.cpp 运行时)在本地运行,因此每句对白都不产生成本。它适合这样的游戏开发者:想用自己的声音、或在获得演员同意后使用演员的声音,在约 4 GB 显存的 GPU 上为角色配音(估算值),采用 Apache-2.0 许可,允许商业使用。

你可以制作什么

  • 用你录制过一次的声音制作 NPC 对白和旁白。
  • 在原型阶段、正式录音之前,用你自己的声音做占位语音。
  • 为本地化版本提供最多 10 种语言的同一角色声音。
  • 教程旁白、播报员台词和无线电通话。

示例请求

  • “用我的录音 voice/me.wav,朗读 dialogue/tutorial.txt 中的教程台词。”
  • “克隆 voice/captain.wav 中的声音,并说:‘守住阵线!增援马上就到。’”
  • “让店主用英语、德语和日语说‘欢迎回来,旅人’,使用 voice/shopkeeper.wav。”

亮点

规格值
声音从 3–30 秒的 WAV 片段克隆;转录文本可选
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
输出24 kHz 单声道 WAV,保存到你的项目中
每次请求的文本最多 600 个字符(约 40 秒英语语音);更长的文本按顺序分段处理
可重复相同种子可重复得到相同结果
  • 声音克隆:添加一段 WAV 片段(3–30 秒,一个人清晰地说话)作为 Voice to clone。它的准确转录文本是可选的,提供后能得到最接近的相似度;不提供时,模型只根据说话人的音色进行克隆(x_vector_only_mode)。模型本身没有声音:每次请求都需要一段片段。
  • 无情绪指令:如需情绪控制,请使用 CustomVoice 或 VoiceDesign(见下文)。

模型会自行识别文本的语言;语言设置仅供参考。

此包只包含数据。它指明模型文件。应用在你确认后下载该文件,用 sha256 校验,然后通过 audio.cpp 在你的电脑上运行。

如何选择 Qwen3-TTS 包

这四个包都通过同一个运行时运行,支持同样的 10 种语言,并输出 24 kHz 单声道 WAV。它们的区别在于声音的来源方式:

包声音来自情绪指令下载显存(估算)
Qwen3-TTS 0.6B Base参考片段(克隆)否1.99 GB约 4 GB
Qwen3-TTS 1.7B Base参考片段(克隆)否2.70 GB约 6 GB
Qwen3-TTS 1.7B CustomVoice九个内置声音yes2.82 GB约 6 GB
Qwen3-TTS 1.7B VoiceDesign对声音的文字描述是,写在描述中2.82 GB约 6 GB
  • 克隆真实声音(你自己的,或经同意的演员声音):显存较小时用 0.6B Base,有约 6 GB 显存时用 1.7B Base。
  • 使用现成声音并控制情绪:1.7B CustomVoice。
  • 仅凭文字创造全新的角色声音:1.7B VoiceDesign。

下载

1.99 GB,一个文件,固定在某个 Hugging Face 提交上:

文件来源大小
qwen3-tts-12hz-0.6b-base-q8_0.gguf(talker、说话人编码器和 12 Hz 语音编解码器合于一个文件)audio-cpp/audio.cpp-gguf @ b7b9aa1f1.99 GB

适用电脑

电脑需求速度
NVIDIA GPU(CUDA)或其他 GPU(Vulkan)约 4 GB 显存(估算)尚未测量
搭载 Apple 芯片的 Mac(Metal)约 8 GB 内存(估算)尚未测量

这些内存数字是根据文件大小和 Qwen 对原始模型的说明估算的,并会在发布前于真实 GPU 上验证。

许可

Apache-2.0。允许将该模型及其生成的语音用于商业用途。

  • Qwen3-TTS-12Hz-0.6B-Base © Qwen team, Alibaba Cloud — 模型卡(license: apache-2.0),许可文本。
  • Qwen3-TTS-Tokenizer-12Hz(语音编解码器,打包在 GGUF 文件内)© Qwen team — 模型卡,Apache-2.0。
  • GGUF 打包:audio-cpp/audio.cpp-gguf — 该仓库的卡片将 Qwen3-TTS 的 GGUF 包标注为 Apache-2.0,受原始模型许可约束。

重新分发权重时必须署名:保留 Apache-2.0 许可文本及其关于 Qwen3-TTS 的声明。你生成的语音无需署名。

限制条件,直说:除上述声明要求外,许可中没有其他限制——没有地域限制、没有收入上限、没有水印。只能克隆你有权使用的声音(你自己的声音,或经说话人同意):不允许冒充、欺诈和散布虚假信息,关于声音肖像的法律同样适用。你要对自己生成的内容负责。

所有文件都从 Hugging Face 下载。AI Game Dev 不托管这些文件。

版本

Qwen3-TTS 0.6B Base(语音模型) 的发布版本
版本发布时间需要应用
1.0.2最新0.32.0-beta.6 或更高版本
1.0.10.32.0-beta.6 或更高版本

安装

在桌面应用中安装

打开包窗口(状态栏中的包图标),选择浏览,搜索 aigd.audio-qwen3-tts-0-6b-base,然后点击添加到项目。

还没安装应用?免费下载 AI Game Dev,支持 Windows、macOS 和 Linux。

从终端安装

在项目文件夹中使用 gamedev CLI:

gamedev pkg add aigd.audio-qwen3-tts-0-6b-base

环境要求

  • AI Game Dev 0.32.0-beta.6 或更高版本

进一步了解包

安装
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base