Qwen3-TTS 声音克隆教程：10秒录音克隆你的声音，本地免费无限量配音

2026-08-22 14:05 · 95 阅读

整合包工作流实战 · 第 17 篇 / 共 19 篇查看系列 →

Qwen3-TTS 是阿里开源的全能语音模型（1.7B 参数），最大特点就是本地免费无限量使用——不花一分钱、不限次数，声音数据不出你的电脑。

这一篇教的是它的声音克隆能力：给它一段 3~10 秒的人声参考音频，再加上这段音频的逐字转写文本，它就能学会这个人的音色、语速、语调、停顿习惯，然后用这个声音朗读你指定的任何内容——你说什么它说什么，但声音是"那个人"的。

它能做什么？

和在线配音工具的区别：那些工具要么只能选固定音色、要么按字数收费、要么上传素材有审核；Qwen3-TTS 声音克隆是本地跑、不花钱、不限量，克隆的是你提供的参考音色，不是别人家的预设。

启动 ComfyUI（双击 ComfyUI启动器.exe），浏览器打开界面后：

模型已经内置在整合包里（models\qwen-tts\ 目录），开箱即用，不需要额外下载任何东西。

这篇工作流非常简洁，整条链路就三步：

中间还有两张提示卡片，是作者留下的使用说明，翻译过来就是：

这两个卡片就是整篇工作流的灵魂，照着做就能成。卡片下面这个节点上，ref_text（参考文本）和 target_text（目标文本）这两个输入框就是本篇的核心操作位。

参考音频的质量直接决定克隆效果，三条要求：

手机录音完全没问题——找安静的地方，对着手机读一句话就行。比如录一句："领导目前工作已经完成了第一部分，第二部分预计本周五可以完成项目。"（工作汇报场景）。

然后点 LoadAudio 节点上的上传按钮（choose file to upload），选择你的音频文件。工作流默认挂了一个示例音频「声音克隆示例.wav」（内容是一句"翻译翻译，什么叫惊喜?"），你可以先用它跑通全流程，再换自己的。

在 FB_Qwen3TTSVoiceClone 节点上找到 ref_text（参考文本） 输入框——填的是参考音频里说的话，逐字转写。

⚠️ 铁律：参考文本必须和加载的音频内容完全一致。模型需要知道"音频里的每个字"长什么样：哪个字是轻声、哪个词拖了尾音、哪里停顿了。文本和音频对不上，克隆出来就像"口型对不上"一样别扭，这也是工作流里紫色卡片反复提醒的原因。

如果音频是你自己录的，先做语音转文字：把录音拖进剪映点「识别字幕」，或使用通义听悟/Whisper 等工具，把转写结果复制出来——转写工具会自动带上标点，你基本不用管标点怎么填。比如你录的这段话：

领导目前工作已经完成了第一部分，第二部分预计本周五可以完成项目，最终结果预计在下周一中午12点前向您汇报，您看可以吗?

那 ref_text 就原样填这一句（录音里说了什么，这里就填什么，一个标点一个字都不能自作主张改）。

如果用的是包里示例音频，ref_text 就填它的内容：

翻译翻译，什么叫惊喜?

再找到 target_text（目标文本） 输入框——这里填的是你希望克隆声音朗读的内容，想读什么填什么，不用和参考文本有任何关系。

比如让"你的声音"读一首古诗词：

帘外雨潺潺，春意阑珊。罗衾不耐五更寒。梦里不知身是客，一晌贪欢。独自莫凭栏，无限江山。别时容易见时难。流水落花春去也，天上人间。

想读多长？max_new_tokens 默认 2048，够读好几百字的长文案，不用分段。

点界面右侧的「运行」按钮，第一次跑会加载模型（约 3.6GB，需要等一会儿），之后每次就快了。生成完成后 SaveAudioMP3 节点会显示结果，文件保存在：

ComfyUI\output\audio\Qwen3-TTS\

在保存节点上可以直接试听；文件夹里就是 MP3 文件，可以随便拷贝使用。

克隆节点上参数不少，但除了参考文本和目标文本，其他默认值都是调好的，知道它们是干嘛的就行：

model_choice（模型）：1.7B——Qwen3-TTS 最强模型，包内已内置
device / precision：auto / bf16——自动选设备，半精度省显存
language（语言）：Chinese——和参考音频/目标文本匹配（换 English 就能克隆英语声音）
seed（种子）：randomize——每次随机，同一句话多抽几次挑效果最好的
max_new_tokens：2048——生成上限，默认够用
top_p 0.85 / top_k 30 / temperature 1.1：采样参数，调大更"放飞"、调小更"规整"，一般不用动
repetition_penalty：1.05——防止复读机
x_vector_only（只提取音色向量）：默认 false，完整克隆（音色+语速+语调+说话习惯全学）；改成 true 时只提取音色向量、不需要填参考文本（手上音频转写不出文本时用这个救急，但像度会打折）
attention：sage_attn——省显存的注意力加速实现，别动
unload_model_after_generate：false——生成完不卸载模型，连跑多条更快