Qwen3-TTS 声音设计教程：文字描述凭空造出想要的声音
Qwen3-TTS 声音设计是什么？能做什么
上一类玩法（声音克隆）是"复制一个已有的声音"；这一篇的声音设计更神奇——不用任何参考音频，你只需要用一段文字描述（音色、声线、语速、语调、说话习惯），Qwen3-TTS 就能凭空造出一个符合描述的声音，再用这个声音朗读你的文案。
它能做什么？
- 游戏/动画角色配音：想要一个"呆萌迷糊的少女音"？描述出来，它就是
- 短视频口播定制音色：不用找配音员，描述一个"知性温柔的女声"直接出稿
- 创意音色试验：低沉磁性大叔、清冷御姐、活泼少年……先听效果再决定用哪个
和声音克隆的区别一句话：克隆 = 复制一个已有的声音；设计 = 描述一个不存在的声音。克隆需要参考音频，声音设计只需要想象力——它是 Qwen3-TTS 三兄弟里最"凭空造物"的一个。
第 1 步：打开声音设计工作流
启动 ComfyUI（双击 ComfyUI启动器.exe），浏览器打开界面后：
- 左侧「工作流」列表打开 AI星尘-开箱即用 文件夹
- 进入 音频 子文件夹
- 选择 Qwen3-TTS-声音设计.json
和声音克隆工作流不同，这里没有 LoadAudio 节点——因为根本不需要音频，一切全靠文字。模型 Qwen3-TTS-12Hz-1.7B-VoiceDesign 已内置在包里，开箱即用。
第 2 步：认识工作流（2 个节点）
- FB_Qwen3TTSVoiceDesign（Design Voice / 声音设计）：核心节点，两个必填输入——text（要朗读的内容）+ instruct（声音长什么样的文字描述）
- SaveAudioMP3（保存音频）：把结果存成 MP3
第 3 步：填写要朗读的内容（text）
在 text 输入框填上想让声音读出来的文案，工作流默认示例：
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。
换成你自己的任何文案都可以，支持长文本（max_new_tokens 默认 2048）。
第 4 步：用文字描述你想要的声音（instruct）——本工作流的灵魂
在 instruct 输入框里，用自然语言描述"这个声音应该是什么样"。工作流默认带了一个官方示例，拆开看就明白怎么写：
模拟呆萌天然的少女音色，声线中高偏软，语速适中略慢，语调圆润、带一点空灵感。说话时偶尔莫名其妙地停顿，像在放空或走神，尾音常常轻柔拉长，显得有点迷糊。有些词会读得略微笨拙却不至于太错，整体感觉单纯、慢半拍、反应迟钝但非常治愈。
这段描述其实包含了四个层次，写作公式：
- 音色基调：呆萌天然的少女音色、声线中高偏软——先定"这是什么嗓子"
- 语速节奏：语速适中略慢——再定"说话快慢"
- 语调韵味：语调圆润、带一点空灵感——接着定"腔调感觉"
- 说话习惯（灵魂细节）：偶尔停顿走神、尾音拉长、读词略微笨拙、整体慢半拍——最后加"小毛病"，这是让声音"活"起来的关键，也是和别人的描述拉开差距的地方
换一个例子，想要"磁性大叔音"：
模拟低沉磁性的成熟男声，声线偏低带轻微沙哑，语速较慢，语调沉稳厚重，尾音微微压低。说话时像在慢慢思考，偶尔轻轻叹气，带一点疲惫感，整体感觉可靠、温和、有故事。
记住：描述得越具体，出来的声音越接近你想要的效果。只有"温柔一点"这种模糊描述，出来的声音也会模糊。
第 5 步：点运行，等待出片
点右侧「运行」按钮，第一次会加载模型（约 3.6GB），之后每次就快了。生成完成后 SaveAudioMP3 节点显示结果，文件在：
ComfyUI\output\audio\Qwen3-TTS\
不满意？改 instruct 描述重新跑——这是声音设计工作流最爽的地方：改文字就能改声音，零成本无限迭代。
参数速览（保持默认即可）
- model_choice：1.7B——包内已内置，开箱即用
- language：Chinese——描述和文本用什么语言就选什么
- seed：randomize——同一描述多抽几次，效果有差异
- top_p 0.8 / top_k 20 / temperature 1.0：采样参数，比克隆版略保守，默认不用动
- attention：sdpa——省显存的注意力实现，别动
进阶玩法
- 加"情绪状态"：instruct 里加"语气带着笑意""像在低声自语"，角色感立刻不同
- 多语种设计：language 换 English 等，用英文描述音色，出英语声音
- 描述迭代法：先粗描述出一版，听缺点，把"缺点"写进新描述（比如"鼻音再重一点""语速再慢一档"）
- 给视频/动画角色批量配音：同一个 instruct 固定一个角色音色，多段 text 就是同一个角色的多句台词
常见问题
- 声音和想象的不一样？描述不够具体。把语速、声线高低、停顿习惯都写进去，尤其"说话习惯"那一层是点睛之笔
- 提示 text 和 instruct 都要填？对，两个都必填——没有文本不知道读什么，没有描述不知道用什么嗓子
- 第一次跑很慢？模型首次加载 3.6GB 权重，正常现象
- 输出文件在哪？
ComfyUI\output\audio\Qwen3-TTS\
小结
Qwen3-TTS 声音设计的核心是 instruct 描述公式：音色基调 + 语速节奏 + 语调韵味 + 说话习惯。不用录音、不用参考音频，一段文字凭空造出一个声音，改文字就能改声音——这是角色配音和创意音色最顺手的玩法。
