本页由英文机器翻译而成。阅读英文原文。

Qwen3-TTS 1.7B Base(语音模型)

官方音频GPUv1.0.2aigd.audio-qwen3-tts-1-7b-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-1-7b-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 1.7B Base:文本转语音,可用一段简短参考音频(3 秒或更长)在 10 种语言中克隆音色,24 kHz,适用于角色对白和旁白。更大的克隆模型,适用于约 6 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 1.7B Base 是 Alibaba Cloud 的 Qwen3-TTS 系列中较大的声音克隆模型。它能用一段简短参考音频(3 秒或更长)的音色,以 10 种语言朗读任意文本;提供该音频的转写文本可获得最接近的音色。在 AI Game Dev 应用中,它通过 本地音频生成(aigd.audiocpp,即 audio.cpp 运行时)在你的 GPU 上本地运行,因此每句对白都不产生任何费用。它适合想用自己的声音、或在获得演员同意后使用演员声音为角色配音的游戏开发者,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,用自己的声音做占位语音。
  • 为本地化版本提供同一角色最多 10 种语言的声音。
  • 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 及其转写文本,朗读 dialogue/quest-03.txt 中的任务台词。”
  • “克隆 voice/narrator.wav 中的声音,为第二章的开场做旁白。”
  • “用 voice/guard.wav 让守卫用英语、法语和韩语说‘站住!什么人?’。”

亮点

规格值
声音从 3–30 秒的 WAV 音频克隆;转写文本可选(提供后最接近)
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);更长的文本需按顺序分段
可重复设定种子可重复同一结果
  • 声音克隆:添加一段 WAV 音频(3–30 秒、单人清晰说话)作为 要克隆的声音。它的准确转写文本是可选的,提供后能得到最接近的音色;不提供时,模型仅根据说话人的音色克隆(x_vector_only_mode)。模型本身没有固定声音:每次请求都需要一段音频。
  • 没有情绪指令:如需情绪控制,请使用 CustomVoice 或 VoiceDesign(见下文)。

模型会自行检测文本的语言;语言设置仅供参考。

本包只包含数据。它指明模型文件。应用会在你确认后下载该文件,用 sha256 校验,并在你的电脑上用 audio.cpp 运行。

该选哪个 Qwen3-TTS 包

四个包都通过同一运行时运行,说同样的 10 种语言,输出 24 kHz 单声道 WAV。它们的区别在于声音的来源:

包声音来自情绪指令下载显存(估算)
Qwen3-TTS 0.6B Base一段参考音频(克隆)否1.99 GB约 4 GB
Qwen3-TTS 1.7B Base一段参考音频(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,写在描述里2.82 GB约 6 GB
  • 克隆真实声音(你自己的,或经演员同意的):显存较小的 GPU 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

2.70 GB,单个文件,固定在某个 Hugging Face 提交上:

文件来源大小
qwen3-tts-12hz-1.7b-base-q8_0_v2.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 @ b7b9aa1f2.70 GB

适用电脑

电脑需求速度
NVIDIA GPU(CUDA)或其他 GPU(Vulkan)约 6 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

内存数据是根据文件大小和 Qwen 对原始模型给出的数据估算的,发布前会在真实 GPU 上核实。

许可

Apache-2.0。允许将模型及其生成的语音用于商业用途。

  • Qwen3-TTS-12Hz-1.7B-Base © Qwen 团队,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 团队 — 模型卡,Apache-2.0。
  • GGUF 打包:audio-cpp/audio.cpp-gguf — 该仓库的卡片将 Qwen3-TTS GGUF 包列为 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 许可文本及其针对 Qwen3-TTS 的声明。你生成的语音无需署名。

限制,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,或经说话人同意的):不允许冒充他人、欺诈和散布虚假信息,有关声音肖像权的法律同样适用。你需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 1.7B 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-1-7b-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-1-7b-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-1-7b-base