# Qwen3-TTS 1.7B Base（语音模型）

> 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。

- ID: `aigd.audio-qwen3-tts-1-7b-base`
- 来源: 官方 (第一方 `aigd.*`)
- 分类: 音频
- 发布者: AI Game Dev (`aigd`), 已验证
- 最新版本: 1.0.2 (发布于 2026-11-22)
- 许可证: Apache-2.0
- 需要 AI Game Dev 应用: `>=0.32.0-beta.6`
- 原生代码: 否
- 评分: 暂无评分
- HTML 页面: https://ai-game.dev/zh-hans/packages/aigd.audio-qwen3-tts-1-7b-base

## 安装

使用 gamedev CLI，在项目文件夹中运行：

```bash
gamedev pkg add aigd.audio-qwen3-tts-1-7b-base
```

在桌面应用中：打开 Packages 窗口（状态栏中的包图标），选择 **Browse**，搜索 `aigd.audio-qwen3-tts-1-7b-base`，然后点击 **Add to Project**。更多：https://ai-game.dev/docs/wiki/app/packages

## 版本

| 版本 | 发布时间 | 需要应用 | 备注 |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | 最新 |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## 描述

````markdown
# Qwen3-TTS 1.7B Base（声音克隆）(`aigd.audio-qwen3-tts-1-7b-base`)

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](https://ai-game.dev/packages/aigd.audio-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](https://ai-game.dev/packages/aigd.audio-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](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice) | 九个内置声音 | yes | 2.82 GB | 约 6 GB |
| [Qwen3-TTS 1.7B VoiceDesign](https://ai-game.dev/packages/aigd.audio-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`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/Qwen3-TTS-12Hz-1.7B-Base-GGUF) @ `b7b9aa1f` | 2.70 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](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-Base)（`license: apache-2.0`），[许可文本](https://www.apache.org/licenses/LICENSE-2.0)。
- Qwen3-TTS-Tokenizer-12Hz（语音编解码器，打包在 GGUF 文件内）© Qwen 团队 — [模型卡](https://huggingface.co/Qwen/Qwen3-TTS-Tokenizer-12Hz)，Apache-2.0。
- GGUF 打包：[`audio-cpp/audio.cpp-gguf`](https://huggingface.co/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。
````
