qwen3-tts使用实例

环境

操作系统：Windows 11
Python：3.11.9

安装

bash 复制代码

# 安装 PyTorch（CPU 版）
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

# 安装 Qwen-TTS 库
pip install -U qwen-tts

# 安装 ModelScope 并下载模型
pip install -U modelscope
modelscope download --model Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice --local_dir ./Qwen3-TTS-12Hz-0.6B-CustomVoice

代码实例

python 复制代码

import time

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# 加载 0.6B 模型，使用 CPU + float32
# （GPU 上缺 flash-attn 会退化到手动注意力，触发 CUDA 内核断言，故用 CPU）
model = Qwen3TTSModel.from_pretrained(
    r"C:\Users\admin\Qwen3-TTS-12Hz-0.6B-CustomVoice",
    device_map="cpu",
    dtype=torch.float32,
)

# 生成语音测试
text = "就像股票一样，每个人也存在一个市场给你的"估值"和真实的"价值"，通过简单的类比你就能知道，外人很难准确知道你的价值。市场只能对你有个估值，与你的真实价值相比，有时高估，有时极度高估，有时低估，有时极度低估。估值与价值偶有交点，那也不是故意的，是极少的瞬间。对于自己的价值和估值，桥水资本的老大达里奥是这样建议的：不要让自己的估值过分超过自己的实际价值。这是有道理的。如果交易只有一次，那么，估值越高越好。可若是注定要交易多次，那么情况就不同了。人们过分在意，甚至有意抬高估值的根源是"终点式思维"，误以为可以"一锤定音"。可实际上，路很长，交易（选择）很多，甚至，大多数交易干脆算不上是里程碑，只不过是漫漫长路上的鸡毛蒜皮，于是，每次都想以大于价值的估值交易实际上是完全不可能的。更为重要的，是另外一方面。因为当你在意估值的时候，你就会忘记你的价值，你就会不由自主做那些提高你估值的事，而不是去想办法提高你的价值。长期来看，估值是虚幻的，虽有波动，却实际上锚定在价值上，价值不增长，长期来看估值一定长不上去，而且既然有极度高估，那么就不但随时有低估，还随时会有极度低估。我们不用道德层面的词语去形容这种选择，比如"踏实"等，仅从冰冷的经济学角度出发，我们就能知道：忘记价值，追求估值------这肯定是极度愚蠢的。从另外一个层面来看，我还有个理解:只有这样，你才真正有尊严。因为不顾价值地追求估值，本质上就是选择做骗子。做那些不顾价值地追求估值的事情，比如，通过频繁跳槽获得短期内的更高工资，既是骗了别人也是骗了自己。做一次事，骗起码两次人，后果很严重啊。骗别人倒也罢了，不知不觉把自己也骗了，那就真的太傻了。但还是有很多人忍不住这么做，成了一种习惯，因为欺骗的短期收益总是很高。长久以后，这个习惯几乎无法根除，你看坚守铁律之所以难，是因为违背铁律的诱惑实在太大了。可是反过来看，所有的欺骗都不长久，都有水落石出的一天，这样来看，桥水的达里奥给出的建议实在很睿智。"
t_start = time.perf_counter()
wavs, sr = model.generate_custom_voice(
    text=text,
    speaker="serena",    # 内置说话人：serena/vivian/uncle_fu/ryan/aiden/ono_anna/sohee/eric/dylan
    language="chinese",  # 中文；可选 english/german/japanese 等
)
gen_seconds = time.perf_counter() - t_start

# 保存为 wav 文件（wavs[0] 已是 numpy.ndarray，无需 .cpu()）
sf.write("output_test.wav", wavs[0], sr)

duration_sec = len(wavs[0]) / sr  # 生成音频的实际时长（秒）
print("语音生成完毕，已保存为 output_test.wav")
print(f"文字转语音耗时: {gen_seconds / 60:.4f} 分钟 ({gen_seconds:.2f} 秒)")
print(f"生成音频时长: {duration_sec:.2f} 秒，实时率 RTF = {gen_seconds / duration_sec:.3f}")