个人电脑玩AI-06让5060 Ti给你打工——不光能画画，Qwen3-TTS还能学人说话，连我老板都信了！

by 雪隐_上班了 from juejin.cn/user/143341...

欢迎分享与聚合，全文转载就不必了，尊重版权，圈子就这么大，若急用可联系授权。

---

前言：显卡不能只用来跑图，它还得会配音

上回说到，我用 RTX 5060Ti 16G 跑起了 FLUX.2 Klein，让产品经理对着生成图连连点头。

但这块显卡的潜力远不止于此------它不光能看 ，还能听 、能说。

这次我盯上了阿里千问团队开源的 Qwen3-TTS ，一个只需 3 秒参考音频 就能克隆任何声音的神器。

想象一下：老板在晨会上清了清嗓子，我偷偷录了 3 秒，然后让 AI 用他的声音说出"今天早点下班"......（注：仅供娱乐，切勿实操）

本文我就手把手教你搭一个 语音克隆 WebUI，让 5060Ti 变成你的私人配音演员。代码量比上次还少，保证你看了就想动手。

---

项目概览（又是熟悉的"四件套"）

技术	说明	我的吐槽
Qwen3-TTS	阿里开源的语音合成模型，1.7B 参数	比 FLUX 还轻，5060Ti 表示"洒洒水"
Gradio	快速搭 WebUI 的 Python 库	比 FastAPI 还省事，拖拖拽拽就出来一个界面
qwen-tts	官方 SDK，封装得比外卖还方便	from_pretrained 一条龙，懒人福音
soundfile	保存音频的库	就一行 sf.write，不能再多了

目录结构？比上次还短，我都不好意思列

005_makevoice_qwen/
├── webui_qwen.py      # Gradio 界面，长得像个正经软件
├── qwen_infer.py      # 模型推理，核心代码不到 20 行
└── config.py          # 配置，就几行路径

---

核心代码解析（真的只有三段，骗你是小狗）

1. 模型推理类 (qwen_infer.py) ------ 三秒克隆，良心之作

from qwen_tts import Qwen3TTSModel

class QwenTTSModel:
    def __init__(self, model_path, device_map="cuda:0", dtype="bfloat16"):
        self.model = None
        self.model_path = model_path

    def load_model(self):
        """懒加载，不占着显存不放，跟省油的灯似的"""
        if self.model is not None:
            return
        self.model = Qwen3TTSModel.from_pretrained(
            self.model_path,
            device_map=self.device_map,
            dtype=self.dtype,
        )

    def infer(self, text, ref_audio, ref_text, output_path, language="chinese", speed=1.0):
        """核心：用一段参考音频，克隆音色，朗读目标文本"""
        self.load_model()

        # 就这一行！就这一行！就这一行！（重要的事说三遍）
        wavs, sr = self.model.generate_voice_clone(
            text=text,
            language=language,
            ref_audio=ref_audio,   # 参考音频，3-10秒就行
            ref_text=ref_text,     # 参考音频里的文字（帮助对齐）
        )

        import soundfile as sf
        sf.write(output_path, wavs[0], sr)
        return output_path

你看到了吗？

核心克隆逻辑就是 generate_voice_clone() 这一行，剩下的全是导入、保存。

这要是写简历，我只能写"熟练调用官方 API"，但效果就是牛，不服不行。

支持的语言多达 10 种 ：中文、英语、日语、韩语、德语、法语、俄语、西班牙语、葡萄牙语、意大利语。

换句话说，你可以用老板的声音说"Bonjour"，吓死隔壁老外。

---

2. WebUI 界面 (webui_qwen.py) ------ Gradio 一把梭

Gradio 就是 Python 里的"拖拽式生成器"，代码比写 HTML 还短：

import gradio as gr

with gr.Blocks(title="Qwen3-TTS Demo") as demo:
    # 先放个加载模型的按钮，免得一启动就爆显存
    model_path = gr.Textbox(value="./models/Qwen3-TTS-12Hz-1.7B-Base")
    load_btn = gr.Button("加载模型", variant="primary")

    # 主功能区：上传参考音频 + 输入文本
    with gr.Tab("音频生成"):
        ref_audio = gr.Audio(label="参考音频 (3秒就够)", sources=["upload"])
        ref_text = gr.TextArea(label="参考音频的文本（越准越好）")
        input_text = gr.TextArea(label="你想让它说啥")
        gen_btn = gr.Button("生成语音", variant="primary")
        output_audio = gr.Audio(label="克隆结果")

    # 批量功能，专治新闻小编
    with gr.Tab("批量新闻生成"):
        news_file = gr.File(label="上传 Markdown 文件")
        batch_gen_btn = gr.Button("一键批量生成")

demo.launch(server_port=7861)

整个界面不到 30 行，比写个计算器还快。

而且 Gradio 自动帮你处理文件上传、音频播放，连前端都不需要会。

---

3. 核心生成函数------连接界面和模型的"传话筒"

def gen_single(ref_audio, ref_text, text, language, speed):
    global tts

    if tts is None:
        return None, "大哥，先点'加载模型'啊！"

    result = tts.infer(
        text=text,
        ref_audio=ref_audio,
        ref_text=ref_text,
        output_path="outputs/result.wav",
        language=language,
        speed=speed
    )

    return result, "生成成功，听听看，像不像？"

就这？就这。

没有复杂的参数调优，没有玄学采样，一切都被 Qwen 团队封装得明明白白。

我甚至怀疑他们是不是偷偷给我 5060Ti 开了光。

---

Qwen3-TTS 工作原理（用厨房比喻）

语音克隆 = 模仿秀

想象你要模仿郭德纲说话：

1. 音色提取：你先听郭德纲说 3 秒钟"相声讲究说学逗唱"，记住他那种特有的嗓音、语调。
2. 文本理解：然后你拿到一段新台词，比如"今天天气不错"。
3. 音色迁移：你用郭德纲的腔调去读这句新台词，虽然内容不同，但一听就是他。
4. 输出：录下来，放给朋友听，他们惊呼"你啥时候拜师了？"

Qwen3-TTS 干的就是这活儿，只不过它不用嗓子，用显卡。

我的 5060Ti 16G 就是它的"声带"，计算起来毫不费力，风扇都不带加速的。

---

模型下载指南（国内用户继续跳过 HuggingFace）

说真的，HuggingFace 在国内的速度，比我妈催我找对象还让人焦虑。

ModelScope（魔搭） 才是我们的好朋友，下载速度飞起，我的 5060Ti 等得花都谢了。

方式一：ModelScope（推荐，下载像开挂）

模型地址：www.modelscope.cn/models/Qwen...

pip install modelscope
modelscope download --model Qwen/Qwen3-TTS-12Hz-1.7B-Base --local_dir ./models/Qwen3-TTS-12Hz-1.7B-Base

模型大小约 3-4GB，比你下个游戏快多了。

方式二：Hugging Face（如果你有魔法网络）

pip install huggingface_hub
huggingface-cli download Qwen/Qwen3-TTS-12Hz-1.7B-Base --local-dir ./models/Qwen3-TTS-12Hz-1.7B-Base

下载后的样子（强迫症舒适）

005_makevoice_qwen/
├── models/
│   └── Qwen3-TTS-12Hz-1.7B-Base/
│       ├── config.json
│       ├── model.safetensors
│       └── ...
├── webui_qwen.py
├── qwen_infer.py
└── ...

---

安装与使用（三步走，比泡面还快）

1. 安装依赖（建议新建虚拟环境，免得打架）

conda create -n qwen-tts python=3.12
conda activate qwen-tts

pip install -U qwen-tts
pip install gradio pandas soundfile librosa

2. 启动 WebUI（双击或命令行）

python webui_qwen.py --host 0.0.0.0 --port 7861

浏览器打开 http://localhost:7861，你就看到一个极简风的界面。

3. 玩起来！

• 先点 "加载模型"，等个十几秒（5060Ti 表示毫无压力）。
• 上传一段参考音频（3-10 秒，WAV/MP3 都行）。
• 输入参考音频里的文本（帮助模型对齐，越准确越好）。
• 输入你想合成的目标文本，点击"生成语音"。
• 几秒钟后，你就能听到克隆出来的声音朗读新内容了。

小技巧 ：如果生成的语音语调有点怪，试试调整 speed 参数，或者换一段更清晰的参考音频。

---

批量新闻生成（小编的救星）

除了单条生成，我还顺手写了个批量处理功能，专门对付 Markdown 格式的新闻稿。

你只需上传一个 .md 文件，格式如下：

### 1. 今日头条
**概要**: 今天天气真好，适合摸鱼。

### 2. 科技快讯
**📝 智能概括**: 5060Ti 显卡又降价了，但我已经买了。

程序会自动提取每个 概要 或 智能概括 的内容，用同一个参考音色批量生成音频文件，保存到 outputs/ 目录。

从此小编不用再请配音员，省下的钱够买两包辣条。

---

与其他 TTS 对比（我为什么选 Qwen3-TTS）

特性	Qwen3-TTS	GPT-SoVITS	Coqui-TTS
参数量	1.7B（适中）	~1B	~200M
克隆方式	3 秒音频，零训练	5-10 秒，需微调	需训练，繁琐
多语言	✅ 10 种，切换丝滑	⚠️ 中文优先，其他一般	✅ 多语言
显存占用	约 4-6GB（5060Ti 笑而不语）	6-8GB	3GB
上手难度	极低，一行 API	中等	较高

Qwen3-TTS 最适合我这种不想折腾、又想要好效果的懒人。

而且官方 SDK 持续更新，未来可期。

---

应用场景（脑洞大开）

1. 有声读物：把自己喜欢的电子书转成音频，上下班路上听。
2. 视频配音：克隆自己的声音，给视频配旁白，省得重录。
3. 客服机器人：让机器人用你最亲切的声音回答问题。
4. 多语言翻译朗读：用同一个音色，读英语、日语、法语......瞬间变国际巨星。
5. 恶搞同事（慎用）：录一段同事的"口头禅"，然后让 AI 说"今晚我请客"......（后果自负）

---

自己写代码 vs 一键包（老生常谈，但很重要）

市面上确实有 Windows 一键包，比如 VALL-E 的 GUI、GPT-SoVITS 的整合版，下载即用。

但我的 5060Ti 不是用来点"下一步"的，我要的是自由。

对比项	一键包/GUI	自己写代码
集成到我的程序	❌ 独立运行，无法调用	✅ 几行代码导入，随意组合
批量自动化	⚠️ 需手动操作	✅ 写个循环，全自动生产
对外提供 API	❌ 没法暴露接口	✅ FastAPI 一包，随时服务化
对接 AI Agent	❌ 连个命令行参数都没有	✅ 轻松集成 LangChain
定制音色处理	⚠️ 受限于界面选项	✅ 想怎么处理就怎么处理

举个例子，我想做一个 Telegram 机器人，用户发来一段语音，我克隆它的声音，然后用它读一段今日新闻。

一键包做不到，但我的代码可以，而且只加了不到 50 行。

---

关于两个"兄弟模型"（要不要下载？）

Qwen3-ForcedAligner-0.6B（语音对齐）

不是必须的！

Qwen3-TTS-12Hz-1.7B-Base 本身就能直接克隆语音。ForcedAligner 是用来做音素级别对齐的，普通用户完全不用碰。

除非你要做语音识别训练数据预处理，否则跳过。

Qwen3-TTS-12Hz-1.7B-VoiceDesign（声线设计）

这个有点意思，它是用文字描述 来创造新音色，而不是克隆已有声音。

比如你输入"一个磁性低沉的男中音，略带沙哑"，它就能生成这种声音。

使用场景：

• 为游戏角色设计专属配音
• 为广告生成多种风格试听
• 创造虚拟主播的音色

有了它，你甚至不需要参考音频，直接"无中生有"。

不过这个是另一个模型，需要单独下载，我准备留着下期再玩。

---

总结（我的 5060Ti 又立一功）

今天我们用 Qwen3-TTS 搭建了一个语音克隆 WebUI：

✅ 3 秒克隆 ，速度快到离谱

✅ 10 种语言 ，切换自如

✅ Gradio 界面 ，友好到小白都会用

✅ 批量处理 ，拯救小编于水火

✅ 核心代码不到 20 行，我都不知道怎么写进简历

我的 5060Ti 16G 表示：这点活儿不够塞牙缝，下次再来点更刺激的。

下期预告：也许我会拿它跑本地 LLM，或者折腾一下视频生成，谁知道呢？

---

参考链接（真的有用）：

• Qwen3-TTS GitHub：github.com/QwenLM/Qwen...
• ModelScope 模型：www.modelscope.cn/models/Qwen...
• HuggingFace 模型：huggingface.co/Qwen/Qwen3-...

---

最后一句 ：用老板的声音生成"今天不加班"之前，请确保你已经买好下个月的话费，以防被开除后找不到工作。

好了，我去玩我的 5060Ti 了，你们随意。🎙️