Qwen3 本地语音合成
用本地 Qwen3-TTS 模型把文字转成语音,支持 10 种语言、9 种音色和情绪风格指令,首次下载后完全离线。
功能与用途
本技能基于本地 Qwen3-TTS 模型实现文本转语音服务。用户只需输入待转换的文本内容,即可选配 10 种语言、9 类预置发音人以及细腻的情感风格指令(如热情、严肃),最终在本地生成高质量 WAV 格式音频文件。该方案支持纯离线运行,不依赖云端商用接口,但首次使用需配置 Python 环境并联网下载约 1.7GB 模型权重,建议配备 GPU 显卡以获得更快的生成速度。
适用场景
- 跨国多语言视频旁白制作:输入外语视频脚本并指定对应语种发音人,直接在本地生成自然流畅的多语种讲解旁白,大幅降低出海自媒体配音成本。
- 剧情音频角色情感配音:为有声读物或剧情短片台词添加情绪控制指令(如欢快高亢、低沉严肃),生成贴合故事氛围与角色性格的情感化音频。
- 私有化系统语音播报集成:在无公网访问权限的内网环境或自动化流水线中,通过命令行将系统提醒或告警文本批量转为本地语音文件。
适用人群
- 内容创作者
- 播客与短视频作者
- 独立开发者
使用步骤
- 首次使用先跑 scripts/setup.sh:它会创建本地虚拟环境并安装 qwen-tts 包(约 500MB)。
- 第一次合成时模型会自动从 Hugging Face 下载,约 1.7GB,此后的运行完全离线。
- 用 `scripts/tts.py "文字内容"` 生成语音,按需加 -o 输出路径、-s 音色、-l 语言。
- 想控制情绪和语气时加 -i 写指令,例如「用热情的语气说」。
- 用 `--list-speakers` 查看全部可选音色。
开始使用
将需求和 Skill 名称发送给已连接 SkillPX MCP 的 AI 助手,核对适用工具和安装要求。
技术信息
- 分类
- 自媒体
- 适用工具
- Codex、Claude Code、OpenClaw、Hermes、国内 Agent
- 使用难度
- 进阶
- 版本
- 1.0.0
- 最近更新
- 2026-05-11
- 文件数
- 3
- 安装包大小
- 自动生成 ZIP
- 安全检查
- 基础检查通过
Local text-to-speech using Qwen3-TTS-12Hz-1.7B-CustomVoice. Use when generating audio from text, creating voice messages, or when TTS is requested. Supports 10 languages including Italian, 9 premium speaker voices, and instruction-based voice control (emotion, tone, style). Alternative to cloud-based TTS services like ElevenLabs. Runs entirely offline after initial model download.
使用前准备
- Python 环境(setup.sh 会创建本地虚拟环境)
- 首次运行需要访问 Hugging Face 下载约 1.7GB 模型
- 磁盘空间约 2GB 以上(环境包 + 模型)
依赖与权限
- PATH
- 读取用户主动提供的内容