阿里千问声音克隆:Qwen3-TTS语音生成模型全家桶开源上线

2026年1月22日，阿里巴巴通义实验室旗下的 Qwen 团队正式宣布 Qwen3-TTS 系列模型全面开源，并同步发布 GitHub 仓库 QwenLM/Qwen3-TTS。这一消息迅速在 AI 社区引发热议——不仅因为其技术实力远超预期，如今，它竟以完整、可本地部署、支持微调的开源姿态亮相，堪称一场“意料之外，情理之中”的技术馈赠。

一、什么是Qwen3-TTS?

Qwen3-TTS是由Qwen开发的一系列功能强大的语音生成，全面支持音色克隆、音色创造、超高质量拟人化语音生成，以及基于自然语言描述的语音控制，为开发者与用户提供最全面的语音生成功能。Qwen3-TTS 多码本全系列模型均已开源，包含1.7B和0.6B两种尺寸，1.7B可以达到极致性能，具有强大的控制能力，0.6B均衡性能与效率。模型覆盖 10 种主流语言(中文、英文、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语)及多种方言音色，满足全球化应用需求。

• 超自然的语音表现力：能根据自然语言指令控制语调、情绪、语速，甚至方言口音。
• 3秒极速克隆：只需一段3秒音频+对应文本，即可复刻说话人声线。
• 多语言覆盖：支持中、英、日、韩、德、法、俄、葡、西、意等10种主流语言。
• 极低延迟流式生成：端到端延迟低至 97ms，真正满足实时对话场景。

 二、相关安装

模型一共分成1.7B和0.6B（推荐使用1.7B）

• Qwen3-TTS-12Hz-1.7B-VoiceDesign - 支持声音设计
• Qwen3-TTS-12Hz-1.7B-CustomVoice - 支持自定义声音
• Qwen3-TTS-12Hz-1.7B-Base - 支持声音克隆
• Qwen3-TTS-12Hz-0.6B-CustomVoice - 轻量版自定义声音
• Qwen3-TTS-12Hz-0.6B-Base - 轻量版基础模型
• Qwen3-TTS-Tokenizer-12Hz - 分词器模型

插件安装：

https://github.com/HAIGC/Comfyui-HAIGC-QwenTTS

安装 Qwen3-TTS 所需的核心依赖：

pip install torch torchaudio transformers librosa soundfile accelerate

注意: 如果您的环境中已安装这些依赖，可以跳过此步骤。本插件的 requirements.txt 可能包含其他可选依赖。

将 Qwen3-TTS 模型下载到以下目录：

模型下载地址：https://huggingface.co/collections/Qwen/qwen3-tts

本地存放模型路径：ComfyUI\models\qwen-tts

ComfyUI/models/qwen-tts/{model_folder_name}/

模型文件夹命名规则：

• 从 Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign 提取为 Qwen3-TTS-12Hz-1.7B-VoiceDesign
• 确保文件夹名称与模型名称的后缀部分一致
• 模型必须已存在于 ComfyUI/models/qwen-tts/ 目录中，本插件不提供自动下载功能
• 模型路径固定为 ComfyUI/models/qwen-tts/，不支持自定义路径
• 模型加载时会自动检查本地文件，不会尝试从网络下载

模型路径：

ComfyUI/
└── models/
    └── qwen-tts/
        ├── Qwen3-TTS-12Hz-1.7B-VoiceDesign/
        ├── Qwen3-TTS-12Hz-1.7B-CustomVoice/
        └── Qwen3-TTS-12Hz-1.7B-Base/

三、工作流及体验

基于参考音频克隆声音并生成语音。

输入参数：

• 模型: 从模型加载节点获取
• 文本: 要合成的文本内容
• 参考音频: 参考音频对象（AUDIO 类型）
• 参考文本 (可选): 参考音频对应的文本内容
• 语言 (可选): 自动 / 中文 / 英文 / 日文 / 韩文等
• 自动卸载模型 (可选): 生成后是否卸载模型以释放显存
• 最大生成Token数 (可选): 限制生成的最大长度，默认 2048
• 随机种子 (可选): 生成随机性控制
• 生成后控制 (可选): 固定 / 增加 / 减少 / 随机

输出：

• 音频: 生成的音频对象（AUDIO 类型）

模型要求： 需要加载带有 "Base" 的模型。

基于文本提示词生成自定义声音的语音。

输入参数：

• 模型: 从模型加载节点获取
• 文本: 要合成的文本内容
• 提示词: 声音描述提示词（如："A young female voice, energetic and bright."）
• 语言 (可选): 自动 / 中文 / 英文 / 日文 / 韩文等
• 自动卸载模型 (可选): 生成后是否卸载模型以释放显存
• 最大生成Token数 (可选): 限制生成的最大长度，默认 2048
• 随机种子 (可选): 生成随机性控制
• 生成后控制 (可选): 固定 / 增加 / 减少 / 随机

输出：

• 音频: 生成的音频对象（AUDIO 类型）

模型要求： 需要加载带有 "VoiceDesign" 的模型。

使用预设说话人或自定义提示词生成语音。

输入参数：

• 模型: 从模型加载节点获取
• 文本: 要合成的文本内容
• 预设说话人: 选择预设说话人（Vivian, Serena, Uncle_Fu, Dylan, Eric, Ryan, Aiden, Ono_Anna, Sohee）
• 语言 (可选): 自动 / 中文 / 英文 / 日文 / 韩文等
• 提示词 (可选): 自定义声音描述，会覆盖预设说话人的默认提示词
• 自动卸载模型 (可选): 生成后是否卸载模型以释放显存
• 最大生成Token数 (可选): 限制生成的最大长度，默认 2048
• 随机种子 (可选): 生成随机性控制
• 生成后控制 (可选): 固定 / 增加 / 减少 / 随机

预设说话人：

• Vivian: 明亮、略带锋芒的年轻女声
• Serena: 温暖、温柔的年轻女声
• Uncle_Fu: 成熟、低沉的男声
• Dylan: 年轻、清晰的北京男声
• Eric: 活泼、略带沙哑的成都男声
• Ryan: 充满活力的男声，节奏感强
• Aiden: 阳光、清晰的美国男声
• Ono_Anna: 活泼、轻快的日本女声
• Sohee: 温暖、情感丰富的韩国女声

输出：

• 音频: 生成的音频对象（AUDIO 类型）

模型要求： 需要加载带有 "CustomVoice" 的模型。

四、工作流及体验

在线工作流：https://www.runninghub.cn/post/2014884851198992385

主页：https://qwen.ai/blog?id=qwen3tts-0115

示例：

总结：

Qwen3-TTS 支持将已创建的音色进行持久化存储与重复调用，可用于多轮、多角色的长篇对话生成，为数字人、虚拟客服、内容创作等场景提供更灵活的语音底层能力。