日前，通义千问Qwen 推出了 Qwen3-TTS 系列模型。这不仅是一个高质量的文本转语音工具，更是一个支持 10 种全球语言、具备“声音克隆”与“情感适配”能力的声学引擎。

 

开源信息

• github: https://github.com/QwenLM/Qwen3-TTS
• model：https://modelscope.cn/collections/Qwen/Qwen3-TTS

 

基于离散多码本 LM 架构，Qwen3-TTS 绕过了传统架构的性能瓶颈，实现了真正意义上的端到端语音建模。本文将带你深度体验如何利用 Intel® OpenVINO™ 工具套件，在 CPU上赋予 Qwen3-TTS 极致的推理速度，让丝滑的语音合成触手可及。

 

模型特性

• 多语言大师：原生支持中、英、日、韩、德、法等 10 种主要语言。

 

• 声纹克隆（Voice Cloning）：仅需极短的参考音频，即可复刻特定人物的音色。
• 极致稳健：强大的上下文理解能力，能根据语义自动调节语调、语速和情感表达，对噪性文本具有极高的容错率。
• 高效架构：采用轻量化非 DiT 架构，配合 Qwen3-TTS-Tokenizer-12Hz，实现高保真的语音重构。

 

第一步：环境准备

首先，我们需要构建支持 OpenVINO™ 加速的 Python 环境。请确保您的系统已安装 Python 3.9+。

下载适配辅助脚本：

!git clone https://github.com/openvino-dev-samples/openvino_notebooks.git
%cd openvino_notebooks
!git checkout qwen3-tts
%cd notebooks/qwen3-tts

安装核心依赖：

# 1. 安装核心依赖（要求 OpenVINO >= 2025.4.0）
!pip install "openvino>=2025.4.0"
!pip install "gradio>=4.0"
!pip install qwen-tts

 

第二步：模型下载与转换

下载模型：

modelscope download Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign --local_dir ./Qwen3-TTS-12Hz-1.7B-VoiceDesign

 

为了在 Intel 硬件上实现最佳性能，我们需要将原始的 PyTorch 模型转换为 OpenVINO™ 的 IR 静态图格式。转换过程会处理音频编码、语义建模等多个核心组件。

from pathlib import Path
from qwen_3_tts_helper import convert_qwen3_tts_model
# 1. 定义模型 ID 和输出路径
model_id = "your_model_path/Qwen3-TTS-12Hz-1.7B-VoiceDesign"
model_name = model_id.split("/")[-1]
ov_model_dir = Path(f"{model_name}-OV")
# 2. 执行一键转换
# 转换脚本会处理 Tokenizer 与推理网络
print(f"🚀 开始转换 Qwen3-TTS 模型到 OpenVINO IR 格式...")
convert_qwen3_tts_model(
    model_id=model_id,
    output_dir=ov_model_dir,
    quantization_config=None, # 可选：设置 NNCF 配置进行 INT8 量化
)
print(f"✅ 模型已成功保存至: {ov_model_dir}")

 

原始模型建议从魔搭社区下载获取：

https://modelscope.cn/collections/Qwen/Qwen3-TTS

 

现在，我们已经将 Qwen3-TTS 模型转换为 OpenVINO™ 中间表示（IR）格式。转换过程将导出以下组件：

• Talker Embedding Model (openvino_talker_embedding.xml)：编解码器标记（Codec token）嵌入层。
• Talker Text Embedding Model(openvino_talker_text_embedding.xml)：文本标记（Text token）嵌入层。
• Talker Text Projection Model (openvino_talker_text_projection.xml)：用于投影文本嵌入。
• Talker Language Model(openvino_talker_language_model.xml)：支持 KV-cache 的主解码器。
• Code Predictor Embedding Model(openvino_talker_code_predictor_embedding.xml)：代码预测器嵌入层。
• Code Predictor Model(openvino_talker_code_predictor.xml)：用于预测额外的语音代码。
• Speaker Encoder(openvino_speaker_encoder.xml)：用于提取说话人嵌入。

 

第三步：模型部署与推理

在模型部署阶段，我们使用 OVQwen3TTSModel 来加载优化后的 IR 文件。该接口完美兼容原始 API，让你可以轻松实现语音合成。

1. 基础推理示例

import soundfile as sf
from qwen_3_tts_helper import OVQwen3TTSModel
# 加载模型到指定硬件
ov_model = OVQwen3TTSModel.from_pretrained(
    "/mnt/workspace/cherry/openvino_notebooks/notebooks/qwen3-tts/Qwen3-TTS-12Hz-1.7B-VoiceDesign-OV",
    device="CPU",
)
# 执行推理
wavs, sr = ov_model.generate_voice_design(
    text="其实我真的有发现，我是一个特别善于观察别人情绪的人。",
    language="Chinese", # Pass `Auto` (or omit) for auto language adaptive; if the target language is known, set it explicitly.
    speaker="Vivian",
    instruct="用特别愤怒的语气说", # Omit if not needed.
)
# 保存结果
sf.write("output_custom_voice_ov.wav", wavs[0], sr)

 

2. 搭建交互式 Demo

借助 OpenVINO™ Notebooks 提供的辅助工具，几行代码即可启动一个支持声音克隆功能的 Web 界面。

from gradio_helper 
import make_demo
# 创建并启动 Gradio 演示界面
demo = make_demo(ov_model, model_type=ov_model.tts_model_type)
demo.launch()

通过 OpenVINO™ 的赋能，Qwen3-TTS 在 Intel CPU 和集成显卡上展现出了令人惊叹的生成效率。从文本到高保真语音的转换不再需要昂贵的 GPU 资源，在边缘侧设备上也能实现自然、流畅的语音交互。

 

无论你是想打造智能客服、有声书，还是极具个性的 AI 助手，Qwen3-TTS + OpenVINO™ 都是你目前最值得尝试的技术组合！

 

点击即可跳转模型合集：https://modelscope.cn/collections/Qwen/Qwen3-TTS