免费开源语音合成天花板？Qwen3 TTS 实测太强了！从0到1带你本地部署Qwen3-TTS | Hex 电脑课堂
Audio Summary
AI Summary
本期Hex电脑课堂将介绍Qwen3语音合成（TTS）项目，该项目支持十大语言，包括中文、英文和德语等。Qwen3提供了三大模型，包括语音设计、定制化语音和语音合成模型。语音合成模型主要有1.7B和0.6B两种参数量，其中1.7B模型音色质量更佳，0.6B模型推理速度更快。项目支持流式合成，即边输入边合成边播放，以及指令控制功能，允许用户通过指令调整语音情绪和风格。
在Windows 10系统下配置Qwen3 TTS项目，需要Python 3.12版本，推荐显卡为RTX 4060 Ti，并至少具备8GB显存（1.7B模型）或6GB显存（0.6B模型）。配置步骤如下：
1. **下载项目**：通过Git克隆官方仓库到本地。
2. **安装Conda**：下载并安装Anaconda或Miniconda，用于管理Python环境。
3. **创建虚拟环境**：在Conda中创建并激活名为“Qwen-3 TTS env”的虚拟环境。
4. **确认CUDA版本**：使用`nvidia-smi`和`nvcc -V`命令检查显卡驱动和CUDA编译器版本，以便后续安装兼容的依赖包。
5. **安装依赖**：
* 根据CUDA版本和Python版本，从Flash Attention的官方网站下载对应的`.whl`文件（例如`cu124`和`cp312`），并将其放置在项目目录下。
* 通过`pip install`命令安装下载的`.whl`文件。
* 安装`pip install -e .`以编辑模式安装项目依赖。
* 安装`sox`包，防止语音合成报错。
6. **Flash Attention安装**：确认Flash Attention `.whl`文件已下载并安装，此步骤可跳过编译过程，直接安装到本地。
7. **Windows环境优化**：在Windows上操作时，无需执行官方文档中提到的“内存少于96G”的特定命令，因为`.whl`文件安装方式已跳过现场编译，不占用CPU和系统内存。
**下载模型**：
模型可从HuggingFace或ModelScope下载。建议先安装`pip install uv`，再通过`uv`下载`HuggingFace_Hub[cli]`，以避免依赖冲突。下载命令为`hf_hub download <模型名称> --local-dir <本地路径>`，并注意Windows路径使用反斜杠。
**启动程序**：
1. **修改代码**：进入`Qwen/Qwen-3/CLI`目录，打开`demo.py`文件，将第30行的`from ..`修改为`from Qwen.Qwen-3.CLI`，以正确导入包。
2. **卸载并重新安装HuggingFace_Hub**：卸载已安装的`huggingface_hub`包，然后使用`uv`安装版本小于1.0的`huggingface_hub`，例如`uv pip install huggingface-hub<1.0`。
3. **启动Web UI**：执行`python demo.py --model-path <模型路径> --dtype bfloat16`命令。`bfloat16`数据类型是使用Flash Attention 2加速的必要条件。启动过程中可能会出现“Flash Attention 2 did not find explicitly set torch dtype”的报错，此报错可忽略，不影响实际运行。
**功能演示**：
Qwen3 TTS Web UI界面左侧为参考音频和对应文本，右侧为待合成文本和语种选择。用户可上传参考音频，输入文本，选择语种后进行语音合成。此外，项目还支持音色保存与加载功能，用户可将常用音色保存为`.pt`文件，方便后续快速调用。
**项目优缺点**：
* **优点**：支持语种丰富（10+种），音色接近真人，可用于有声小说、字幕音频合成等。
* **缺点**：合成速度较慢，合成10秒音频约需40-50秒，且对显卡利用率不高，因为Qwen3模型是自回归的，每次生成下一个TOKEN都需要上一个TOKEN作为输入，限制了并行处理能力。
如果需要详细文档，可联系作者获取。