Qwen本地语音合成

技能简介

基于阿里通义千问Qwen3-TTS-12Hz-1.7B-CustomVoice模型的本地文本转语音工具，无需联网即可生成自然语音，支持10种语言和9种预设音色。

能做什么

• 将文字转换为WAV格式音频文件
• 通过指令控制语音的情感、语调和风格
• 切换不同性别、年龄、地域特色的发音人
• 作为云端TTS服务的离线替代方案

使用说明

首次安装（仅需一次）：

cd skills/public/qwen-tts
bash scripts/setup.sh

该命令创建Python虚拟环境并安装依赖包（约500MB）。首次运行时自动从Hugging Face下载1.7GB模型文件。

基础用法：

scripts/tts.py "要朗读的文字" -o 输出.wav

指定语言和发音人：

scripts/tts.py "Ciao, come va?" -l Italian -s Ryan -o output.wav

添加情感指令：

scripts/tts.py "Sono felice!" -i "Parla con entusiasmo" -l Italian -o happy.wav

查看可用发音人：

scripts/tts.py --list-speakers

输入与输出

见下方输入与输出表格。

风险提示

• 首次模型下载约1.7GB，需确保磁盘空间和网络稳定
• GPU内存不足时自动降级至CPU，合成速度显著下降
• 非母语发音人跨语言合成效果可能不理想
• 模型许可证条款请查阅Hugging Face模型卡

来源信息

原始链接：https://github.com/openclaw/skills/tree/main/skills/paki81/qwen-tts/SKILL.md
来源类型：开源社区技能