Qwen3-TTS

Aviso

Esta página usa borradores temporales escritos y mantenidos por IA generativa. Consulta el código fuente si necesitas confirmar algún detalle.

Sintetiza la voz de personajes multilingües con alta precisión utilizando Qwen3-TTS tanto en modo de clonación de voz como en modo VoiceDesign descrito por texto.

Qwen3-TTS 12Hz 1.7B ofrece síntesis de voz local de alta precisión. Ejecutar servers/tts/qwen3tts/server.py en su modo automático predeterminado selecciona dinámicamente el modelo Base de clonación de voz o el modelo VoiceDesign según cada solicitud entrante.

Configuración

Ejecuta estos comandos desde la raíz del repositorio de TomoriBot, la carpeta donde clonaste TomoriBot:

Windows PowerShell

python -m venv servers\tts\qwen3tts\.venv
servers\tts\qwen3tts\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
pip install -r servers\tts\qwen3tts\requirements.txt
python servers\tts\qwen3tts\server.py

Linux y macOS Bash

python3 -m venv servers/tts/qwen3tts/.venv
source servers/tts/qwen3tts/.venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r servers/tts/qwen3tts/requirements.txt
python servers/tts/qwen3tts/server.py

La URL del punto de conexión en modo automático predeterminado es http://127.0.0.1:8012; define QWEN3TTS_PORT para utilizar otro puerto. También puedes especificar el modo automático de forma explícita:

python servers\tts\qwen3tts\server.py --mode auto

El modo automático inspecciona cada solicitud /synthesize: las solicitudes con ref_audio utilizan el modelo de clonación, mientras que las solicitudes con instruct utilizan el modelo VoiceDesign. Mantiene únicamente un modelo cargado a la vez e intercambia modelos cuando cambia el tipo de solicitud, por lo que la primera solicitud tras un cambio puede tardar más.

Opcional: backend CUDA más rápido

En una GPU NVIDIA, define QWEN3TTS_BACKEND=cuda-graphs antes de iniciar el servidor para usar faster-qwen3-tts, que ya instalan los requisitos. La síntesis es aproximadamente 6 veces más rápida, por lo que se ejecuta más rápido que en tiempo real en lugar de ser casi el doble de lenta. Su salida no es idéntica bit a bit a la del backend predeterminado para la misma entrada.

Este backend reserva espacio para una cantidad fija de voz por solicitud, compartida entre el clip de referencia y el audio generado (aproximadamente 170 segundos en total). Con un clip de 10-20 segundos, esto deja más de dos minutos de voz. Si una solicitud no cabe, el servidor devuelve un error en lugar de cortar el audio; usa un clip o texto más corto, o el backend predeterminado transformers.

$env:QWEN3TTS_BACKEND = "cuda-graphs"
python servers\tts\qwen3tts\server.py

Registro en TomoriBot

Para la mayoría de los usuarios, se recomienda registrar el servidor en modo automático para que un solo punto de conexión pueda admitir tanto personas de clonación de voz como de VoiceDesign.

Ejecuta /providers, elige + Agregar nuevo punto de conexión personalizado y usa la compatibilidad de API de voz:

• Compatibilidad de API: tts-clone
• endpoint_url: http://127.0.0.1:8012

Tras guardar la conexión, selecciónala y usa su menú desplegable de modelos para agregar un modelo de voz. El formulario solicita el Modo de fuente de voz y el Estilo de marcado de script; elige Automático y Plano para el servidor en modo automático.

Usa /providers para el registro del punto de conexión y la configuración del modelo. Luego abre /config > Modelos > Cambiar modelos para seleccionar y activar el punto de conexión registrado.

Configurar voces de persona

Clonación de voz

Usa este modo para personas que deban imitar un clip de referencia:

1. Prepara un clip de voz limpio de 10 a 20 segundos con un solo hablante y sin música de fondo.
2. Abre /config en Modelos > Parámetros y voces TTS y sube el clip.
3. Abre /config en Persona > Voz, y elige la persona y la muestra de voz.

Qwen3-TTS admite clips de referencia de tan solo 3 segundos.

VoiceDesign

Usa este modo para personas que deban utilizar una descripción escrita de la voz en lugar de una muestra:

1. Abre /config en Persona > Voz y elige VoiceDesign.
2. Elige la persona.
3. Ingresa una indicación de voz en lenguaje natural, como la edad del hablante, el tono, el acento y la entonación.

Opcional: servidor exclusivo de VoiceDesign

Inicia el mismo servidor en modo VoiceDesign cuando sirvas Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign.

Windows PowerShell:

servers\tts\qwen3tts\.venv\Scripts\Activate.ps1
$env:TOMORI_TTS_MODE = "voice-design"
python servers\tts\qwen3tts\server.py

Bash:

source servers/tts/qwen3tts/.venv/bin/activate
TOMORI_TTS_MODE=voice-design python servers/tts/qwen3tts/server.py

También puedes pasar --mode voice-design en lugar de definir TOMORI_TTS_MODE. La URL del punto de conexión predeterminado para el servidor exclusivo de VoiceDesign es http://127.0.0.1:8014.

Regístralo del mismo modo que el modo automático, pero usa la URL de punto de conexión http://127.0.0.1:8014 y elige VoiceDesign como el Modo de fuente de voz en el modelo de voz.