Qwen3-TTS 本地运行：安装、声音克隆与硬件实测

Qwen3-TTS 已提供可下载的本地语音模型。 参考录音克隆用 Base，内置说话人用 CustomVoice，文字描述新音色用 VoiceDesign。它们是不同权重，不能把一个文件当成三种功能通用。本篇分别说明官方安装路径与 Local AI Audio 使用的量化路径。

资料核验于 2026 年 10 月 5 日；下面的性能数字来自 9 月 23 日历史测试，不是对所有当前安装包的新测试。Qwen-Audio-3.1 是另一个系列，参见云端 API 与本地 Qwen3-TTS 对比。

先选模型和运行方式

官方仓库提供 Python 路径；0.6B Base 模型卡列出较小的克隆模型与 Apache-2.0 许可。权重不等于完整运行环境，还需要后端要求的 tokenizer 和依赖。

官方本地安装

下面对应官方 NVIDIA 示例，请先准备兼容 CUDA 的 PyTorch；上游建议使用独立的 Python 3.12 环境：

conda create -n qwen3-tts python=3.12 -y
conda activate qwen3-tts
python -m pip install -U qwen-tts
qwen-tts-demo --help
qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-Base --ip 127.0.0.1 --port 8000

在同一台电脑打开 http://127.0.0.1:8000。首次运行会下载模型。上传参考录音，填写录音里准确的文字，再填写需要朗读的新句子；如果要使用内置音色，换成 CustomVoice 权重。

这套 CUDA 示例不是 Mac 安装命令。FlashAttention 有自己的显卡与精度要求，不要直接照搬到 Apple Silicon。保持后端依赖版本一致；下载完所有资源后断网再跑一次，确认工作流真的不依赖网络。

Mac 和 Windows 桌面路径

Local AI Audio是 TopLocal Studio 的语音模块。当前模型目录选择的是 Qwen3-TTS 0.6B Base Q8 GGUF + audio.cpp，不是上面官方 1.7B Python 示例。目录标注模型下载约 2 GB；这是磁盘占用，不是运行内存。

1. 打开语音模块，确认当前版本提供 Qwen3-TTS。
2. 查看许可并下载模型。
3. 添加清晰的单人录音及其准确文字。
4. 先生成一句，听漏字、数字与中英文发音，再逐步加长。
5. 保存到本地；需要离线使用时再断网验证。

Mac 版本面向 Apple Silicon；Windows 使用打包后端，不能拿 CUDA 命令替代。本文没有测试当前 Windows 安装包，获取前请看平台与安装说明。

Mac 历史实测

下载本次引用的历史测量摘要 CSV。这是 9 月 23 日记录的摘录，不是新测试。

2026 年 9 月 23 日，MacBook Pro M5 Pro、64 GB 统一内存，audio.cpp 487800f5，0.6B Q8 GGUF；分别测试 Metal 和 CPU。

这是单台机器的小样本。评分方法是让 Qwen3-ASR-1.7B 把生成声音转回文字，因此不代表音色相似度，也不保证不会读错。参考音来自项目样例，并非为本文新录。不能用这些数字推出所有 Mac、NVIDIA 显卡或长文本的最低内存。

其中一条输入是：今天的 meeting 改到下午三点，请把最新的 PPT 发到我的 email，谢谢。试听时除了自然度，也要检查英文单词是否完整。

已有声音克隆示例

以下是产品已有演示，与上表的性能测试不是同一组素材，用于展示参考录音到新内容的流程。

参考文字：很久很久以前，在一片安静的森林里，住着一只爱看星星的小狐狸。每天晚上，它都会爬上山坡，数着天上的星星慢慢睡去。

新文字：这是用刚才那段录音克隆出来的声音，我可以用它朗读任何新的内容，比如这句话。

常见问题怎么排查

• **找不到克隆选项：**检查是否加载 Base，而不是 CustomVoice 或 VoiceDesign。
• **漏字或发音不对：**缩短句子，按预期写出数字，核对参考文字；音色相似不能弥补错误输入。
• **内存不足：**减小批量和文本长度，关闭其他模型，再考虑小模型或后端支持的量化；改扩展名不会把权重变成 GGUF。
• **浏览器无法录音：**先上传保存好的音频文件；麦克风权限与浏览器、HTTPS 设置有关。
• **断网仍报错：**检查 tokenizer、模型或其他资源是否尚未缓存；本地网页界面本身不能证明推理离线。

请用自己的声音或获得授权的参考音。离线声音克隆指南补充录音建议；录音转文字应使用离线转录，不应选 TTS 模型。云端产品与本地软件的取舍见离线 ElevenLabs 替代方案。