Qwen3-tts.cpp + Compose 桌面 GUI
摘要
开发者改进了 qwen3-tts.cpp，使其在 RTX 5080 上实现 5 倍实时运行，并使用 Kotlin Compose Multiplatform 创建了跨平台桌面 GUI，具备语音克隆、流式传输和说话人嵌入管理功能。
我改进了我的 qwen3-tts.cpp 实现，使其在我的 RTX 5080 上达到约 5 倍实时速度。它基于 GGML 构建，因此应该可以在任何地方编译运行——不过我只在 Windows 和 Linux 下测试了 CPU 与 CUDA 版本：https://github.com/Danmoreng/qwen3-tts.cpp 此外，我还使用 Kotlin Compose Multiplatform 制作了一个桌面 GUI，同样支持 Windows 和 Linux：https://github.com/Danmoreng/qwen-tts-studio Windows 版本已发布，可直接下载运行。Linux 需要从源码构建。Qwen-TTS-Studio 功能特性：已知最快的 GGML 实现，比 Python 参考实现（0.6B 和 1.7B 模型）快 15 倍；基础模型支持语音克隆；带指令的 customvoice 模型；带指令的 voicedesign 模型；保存说话人嵌入；混合与合并说话人嵌入；流式传输（包括半准确文本高亮）；内置从 Hugging Face 下载预转换 GGUF 模型的选项（https://huggingface.co/Serveurperso/Qwen3-TTS-GGUF）
相似文章
Qwen3 TTS 被严重低估了——我本地实时跑通后，发现它是目前最有表现力的开源 TTS 之一
开发者演示如何本地实时运行 Qwen3 TTS，支持流式输出、量化、词级对齐与自定义音色微调，打造高表现力的开源 TTS 流水线。
Qwen3-TTS 技术报告
Qwen3-TTS 技术报告介绍了一系列先进的多语言文本转语音模型，具备语音克隆和可控生成能力，采用双轨 LM 架构和专用分词器以实现低延迟流式处理。
我为 Ollama 构建了一个本地实时语音栈：Parakeet STT → Qwen 2.5 7B → Qwen3-TTS
作者使用 Parakeet STT、Qwen 2.5 7B 和 Qwen3-TTS 构建了一个本地实时语音栈，并与 Ollama 集成。
Qwen3-TTS 语音克隆现已进入 llama.cpp 主线——旧演示终于成为真正的支持
Qwen3-TTS 语音克隆已合并到 llama.cpp 主线，通过 llama-tts 二进制文件，利用短参考音频即可在本地实现文本转语音和语音克隆，支持多种语言。目前仍有限制，包括仅支持 Base 模型，且尚无服务器端点。
Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
阿里巴巴的Qwen团队发布了Qwen3-TTS-12Hz-1.7B-CustomVoice，这是一个强大的文本转语音模型，支持10种语言，具有低延迟流式传输、基于指令的语音控制和强大的上下文理解能力。