Qwen3-TTS

使用 Qwen3-TTS，在聲音複製與文字描述的 VoiceDesign 兩種模式下合成高度準確的多語言角色語音。

Qwen3-TTS 12Hz 1.7B 提供高精確度的本機語音合成。在預設的自動模式下執行 servers/tts/qwen3tts/server.py，會根據每個傳入的請求動態選取 Base 聲音複製模型或 VoiceDesign 模型。

設定

從 TomoriBot 存放庫根目錄（你複製 TomoriBot 的資料夾）執行這些指令：

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 與 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

預設的自動模式端點 URL 為 http://127.0.0.1:8012；設定 QWEN3TTS_PORT 可使用其他連接埠。你也可以明確指定自動模式：

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

自動模式會檢查每個 /synthesize 請求：帶有 ref_audio 的請求使用複製模型，而帶有 instruct 的請求使用 VoiceDesign 模型。它一次只會在記憶體中保留一個模型，並在請求類型變更時切換模型，因此切換後的第一次請求可能會較慢。

選用：更快的 CUDA 後端

在 NVIDIA GPU 上，啟動伺服器前設定 QWEN3TTS_BACKEND=cuda-graphs 即可使用 faster-qwen3-tts，requirements 已包含安裝。合成速度約快 6 倍，因此執行速度比即時更快，而非慢約兩倍。針對相同的輸入，其輸出與預設後端並非完全逐位元相同。

此後端會為每次請求保留固定長度的語音空間，由參考片段與生成的音訊共用（總共約 170 秒）。搭配 10 到 20 秒的片段使用時，仍留有超過兩分鐘的語音空間。若請求超出此空間，伺服器會傳回錯誤而非截斷音訊；請使用較短的片段或文字，或改用預設的 transformers 後端。

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

在 TomoriBot 中註冊

對於大多數使用者，請註冊自動模式伺服器，讓單一端點能同時支援聲音複製與 VoiceDesign 人格。

執行 /providers，選擇 + 新增自訂端點，並使用語音 API 相容性：

API Compatibility：tts-clone
endpoint_url：http://127.0.0.1:8012

儲存連線後，選取它並使用其模型下拉選單新增 Speech 模型。模型表單會詢問 語音來源模式 與 腳本標記風格；自動模式伺服器請選擇 自動 與 純文字。

使用 /providers 進行端點註冊與模型設定。接著開啟 /config > 模型 > 切換模型以選取並啟用已註冊的端點。

設定人格語音

聲音複製

適用於需要模仿參考音訊的人格：

準備一段乾淨的 10 到 20 秒語音音訊，單一講者且無背景音樂。
在 /config 的模型 > TTS 參數與語音底下上傳該音訊。
在 /config 的人格 > 語音底下選擇人格與語音樣本。

Qwen3-TTS 支援短至 3 秒的參考音訊片段。

VoiceDesign

適用於使用文字語音描述而非音訊樣本的人格：

開啟 /config 底下的人格 > 語音，並選擇 VoiceDesign。
選擇人格。
輸入自然語言語音提示詞，例如講者的年齡、語氣、口音與發音風格。

選用：僅限 VoiceDesign 伺服器

提供 Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign 服務時，可直接以 VoiceDesign 模式啟動同一個伺服器。

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

你也可以傳入 --mode voice-design 代替設定 TOMORI_TTS_MODE。預設的僅限 VoiceDesign 端點 URL 為 http://127.0.0.1:8014。

註冊方式與自動模式相同，但端點 URL 請使用 http://127.0.0.1:8014，並在 Speech 模型上選擇 VoiceDesign 作為語音來源模式。