Qwen3-TTS GGUF

Qwen3-TTS GGUF

这个模型通过 C++ 运行时 qwentts.cpp，在 CPU、CUDA、Metal 或 Vulkan 上用多种语言朗读文本，有命名说话人和普通话方言，还能用一段短录音克隆声音。适合想在本地做文字转语音的开发者。

由 Serveurperso 在 Hugging Face 上制作。这些说明是 Mindket 根据它的模型页面和模型卡写的，模型自己的文件和许可证在 Hugging Face 上。

简介

它是什么：Qwen3-TTS GGUF 存放的是 qwentts.cpp 用的 GGUF 权重，qwentts.cpp 是 Qwen 团队 Qwen3-TTS 12 Hz 模型的 C++ 移植版。它做零样本文字转语音，支持多种语言，有命名说话人和普通话方言，输出 24 kHz 单声道音频。它能在 CPU、CUDA、Metal 和 Vulkan 上运行。

适合谁：适合想通过 C++ 运行时在自己机器上生成多语言语音的开发者，模型许可证为 Apache 2.0，配套工具为 MIT。

Industry | Who uses it | How they use it | Example
软件 | 应用开发者 | 给产品加上本地多语言语音 | 用法语把文字读出来
媒体 | 音频制作人 | 用命名说话人朗读脚本 | 为一段简短讲解配音
全球服务 | 本地化团队 | 用中文、英语和另外六种语言朗读 | 做一段日语语音提示
语音产品 | 智能体开发者 | 用你有权使用的录音做自定义声音 | 给助手克隆你自己的声音

如果你想要纯 Python 的包，可以跳过它，因为模型卡的快速开始是构建一个 C++ 项目。

用在哪里：它通过 qwentts.cpp 在多种硬件上运行。

• CPU，会自动选择 x86 变体
• 通过 CUDA 使用 NVIDIA GPU，在 Ada 和 Blackwell 显卡上最快
• AMD、Intel 或 NVIDIA 的 Vulkan GPU
• 通过 Metal 使用 Apple Silicon GPU

Use case | Who | What they get back
命名说话人语音 | 开发者 | 选定说话人声音的 wav 文件
声音克隆 | 创作者 | 参考录音声音的 wav 文件
声音设计 | 设计师 | 按描述出来的声音生成的语音

如何设置：你需要 C++ 构建环境和正确的模型文件。

• 作者 GitHub 上的 qwentts.cpp 项目，连同子模块一起克隆
• 针对你硬件的构建，比如 CUDA 构建脚本
• 一起加载的两个 GGUF 文件，一个说话器和一个分词器
• 带 pip 的 Python，用于 hub 工具

1. 连同子模块克隆 qwentts.cpp 项目，并针对你的硬件构建。
2. 新建一个 models 文件夹。
3. 把一个说话器文件和分词器文件下载进去。
4. 运行其中一个示例脚本。

pip install -U huggingface_hub
hf download Serveurperso/Qwen3-TTS-GGUF

项目克隆下来之后，模型卡的快速开始用 CUDA 构建脚本构建它，新建 models 文件夹，把 Q8_0 的说话器和分词器文件下载进去。然后进入 examples 文件夹。

cd examples

如何使用：在 examples 文件夹里运行示例脚本。每个脚本都会写出一个 wav 文件，如果想强制指定设备，就设置 GGML_BACKEND。

./base.sh
./clone.sh
./customvoice.sh
./tts.sh

Tool | What it does
base.sh | 用命名说话人朗读，写出 base.wav
clone.sh | 从一段录音克隆声音，写出 clone.wav
customvoice.sh | 运行自定义声音模式，写出 customvoice.wav
tts.sh | 运行声音设计，写出 tts.wav
GGML_BACKEND | 强制使用 CUDA0、Vulkan0、Metal 或 CPU

示例：你在下载完成后运行 base 脚本。说话器把文字变成 12 Hz 编码，分词器再把编码变成 24 kHz 音频，然后出现一个带命名说话人声音的 wav 文件。

新手与专家：如果你是新手，用 Q8_0 文件照着快速开始做，模型卡把它列为推荐的默认选项。先运行 base 脚本，等它能用了再试克隆。只使用你有权使用的声音。

如果你熟悉这个领域：说话器文件里有一个 Qwen3 语言模型、一个编码预测头和一个可选的说话人编码器。分词器文件把 12 Hz 编码变成音频。分词器文件的量化不是均匀的，所以码本和小张量保持 F32，部分卷积核退回到 F16。

克隆并构建 qwentts.cpp
下载说话器和分词器 GGUF 文件
选择后端
说话器把文字变成 12 Hz 编码
分词器把编码解码成 24 kHz 音频

注意事项：模型卡提供 base、customvoice 和 voicedesign 三种模式，voicedesign 只有 1.7B 的说话器才有。分词器对所有说话器通用。

Title: 1.7B 说话器各变体的文件大小
F32: 7.7 GB
BF16: 3.9 GB
Q8_0: 2.1 GB
Q4_K_M: 1.2 GB

• License: Qwen3-TTS 模型及其编解码器为 Apache 2.0，qwentts.cpp 为 MIT
• Cost to run: 未提及，只需要你自己的硬件
• Data it reaches: 你给它的文本、你提供的任何参考录音，以及电脑上的模型文件
• Not for: 未经说话人许可克隆其声音

Hugging Face 上的数据（2026年11月13日）

• 任务：text to speech
• 框架：gguf
• 参数量：915M
• Weights: about 457 MB at 4-bit (estimate)
• Formats: GGUF
• 最近 30 天下载：1,347,066
• 点赞：67
• 许可证：apache-2.0
• 语言：zh, en, fr, de, es, it, pt, ja
• 基于：Qwen/Qwen3-TTS-Tokenizer-12Hz
• 标签：gguf, text-to-speech, voice-cloning, voice-design, mandarin-dialects, ggml, qwen, qwen3, qwen3-tts

链接

• 模型：https://huggingface.co/Serveurperso/Qwen3-TTS-GGUF
• 文件：https://huggingface.co/Serveurperso/Qwen3-TTS-GGUF/tree/main

获取模型

用 Hugging Face 的命令行下载它的文件：

pip install -U huggingface_hub
hf download Serveurperso/Qwen3-TTS-GGUF

然后按它的模型卡使用它。这个工具包里没有会自己运行的东西。