Qwen3-TTS

在语音克隆与文本描述的 VoiceDesign 模式下使用 Qwen3-TTS 合成高精度的多语言人格语音。

Qwen3-TTS 12Hz 1.7B 提供高精度的本地语音合成。在默认的自动模式下运行 servers/tts/qwen3tts/server.py，会根据每个传入的请求动态选择基础语音克隆模型或 VoiceDesign 模型。

安装

在 TomoriBot 代码仓库根目录（克隆 TomoriBot 的文件夹）运行以下命令：

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 与 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

默认自动模式端点 URL 为 http://127.0.0.1:8012；设置 QWEN3TTS_PORT 可使用其他端口。你也可以显式指定自动模式：

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

自动模式会检查每个 /synthesize 请求：带有 ref_audio 的请求使用克隆模型，带有 instruct 的请求使用 VoiceDesign 模型。GPU 显存中一次仅保持加载一个模型，当请求类型发生变化时会进行模型互换，因此互换后的首次请求耗时可能会稍长。

可选：更快的 CUDA 后端

在 NVIDIA GPU 上，启动服务器前设置 QWEN3TTS_BACKEND=cuda-graphs 即可使用 faster-qwen3-tts（requirements 已默认安装该包）。合成速度大约快 6 倍，运行速度从慢于实时约两倍变为快于实时。对于相同的输入，其输出结果与默认后端并非逐位完全一致。

该后端会为每个请求预留固定容量的语音空间，由参考音频片段和生成的音频共享（总计约 170 秒）。搭配 10 到 20 秒的音频片段时，仍可留下两分钟以上的语音生成空间。若请求超出容量，服务器会返回错误而不是截断音频；此时请使用更短的音频片段或文本，或者改用默认的 transformers 后端。

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

在 TomoriBot 中注册

对大多数用户而言，注册自动模式服务器即可让单一端点同时支持语音克隆与 VoiceDesign 两种人格。

运行 /providers，选择 + 添加新自定义端点，并选择语音合成的 API 兼容性：

API 兼容性：tts-clone
endpoint_url：http://127.0.0.1:8012

保存连接之后，选中它并使用其模型下拉菜单添加语音模型。模型表单会询问“语音源模式”与“脚本标记”；对于自动模式服务器，请分别选择 Auto 与 Plain。

在 /providers 中完成端点注册与模型配置。然后打开 /config > 模型 > 切换模型，选中并激活已注册的端点。

设置人格语音

语音克隆

用于需要模仿参考音频的人格：

准备一段干净的 10 到 20 秒语音片段，仅包含单人说话且无背景音乐。
打开 /config 下的模型 > TTS 参数与语音并上传音频片段。
打开 /config 下的人格 > 语音，选择对应人格与该语音样本。

Qwen3-TTS 支持短至 3 秒的参考音频片段。

语音设计

用于需要使用文本描述而非参考音频的人格：

打开 /config 下的人格 > 语音并选择“语音设计”。
选择对应人格。
输入自然语言语音提示词，例如说话人的年龄、语气、口音和表达方式。

可选：仅运行 VoiceDesign 的服务器

当仅提供 Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign 服务时，可以以 VoiceDesign 模式启动同一服务器。

Windows PowerShell：

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

Linux 与 macOS Bash：

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

你也可以传入 --mode voice-design 代替设置 TOMORI_TTS_MODE。默认的仅 VoiceDesign 端点 URL 为 http://127.0.0.1:8014。

注册流程与自动模式相同，但在配置端点 URL 时填写 http://127.0.0.1:8014，并在语音模型上将语音源模式选择为 VoiceDesign。