Qwen3-TTS (offline, 1.7B)
用十种语言朗读你的字幕，可使用九个内置声音，或从视频中截取几秒钟的说话人声音进行克隆。它在你自己的电脑上运行，其权重允许商业使用。
设置 插件 Qwen3-TTS (offline, 1.7B) 安装
Subtitld 会下载它、校验其 SHA-256，并保持更新。
- 语言
- 10
- 模型
- 3
- 语音
- 10
- 插件下载量
- 317–456 MB
- 内存，至少
- 8 GB
功能说明
五个中文声音（其中两个使用北京话和四川话），两个英语声音，一个日语声音和一个韩语声音。每个声音都能朗读全部十种语言，但在它自己的语言上效果最好。
选择 Custom voice，Subtitld 会从视频中剪出该说话人几秒钟的声音交给模型。至少需要 3 秒。
提供样本中所说的文字后，克隆会更接近该说话人。没有文字稿时，它只依据声音本身工作，效果稍逊一些。
内置声音和克隆使用两个不同的模型。同一时间只有一个在内存中；切换时会重新加载。
声音
在 说话人 标签页中，把 Qwen3-TTS 设为某位说话人的 配音引擎，然后选择一个 音色。Custom voice 位于列表顶部。每句台词的长度由模型决定；开启 让配音适配字幕时长，即可让该说话人的台词拉伸或压缩，以适配字幕。
10 种语音 支持 4 种语言.
en2ja1ko1zh-cn5
克隆用的样本
当某位说话人的音色为 Custom voice 时，Subtitld 会从项目的音频中为该说话人剪出一段样本：
- 时长在 3 到 12 秒之间的最长一条字幕；
- 如果没有符合条件的，则取较长字幕的前 12 秒；
- 如果所有字幕都不足 3 秒，则连续取几条，拼接到至少 3 秒。
如果你已为本视频分离出了音乐和人声，样本只取自人声。插件设置中的 Default voice reference 仅在无法剪出样本时使用，例如没有打开视频的时候。
Subtitld 会保存每位说话人的样本，只有在音频文件改变时才会重新剪取。重新调整了某位说话人台词的时间之后，请删除其样本以获得新的样本；样本的文件名以该说话人的名字结尾。
| 系统 | 文件夹 |
|---|---|
| Linux | ~/.cache/subtitld/clone-refs |
| macOS | ~/Library/Caches/subtitld/clone-refs |
| Windows | %LOCALAPPDATA%\subtitld\subtitld\Cache\clone-refs |
模型
内置声音需要 CustomVoice 模型，克隆则需要 Base 模型。两者都在你第一次生成使用它们的台词时下载，因此一个同时使用两者的项目大约占用 7 GB 磁盘空间。它们保存在 Hugging Face 缓存中（~/.cache/huggingface/hub，除非你设置了 HF_HOME），位于插件的文件夹之外，因此更新或删除插件会保留它们。
| 模型 | 下载 | 适合 |
|---|---|---|
| qwen3-tts-1_7b-customvoice | 九个内置声音 | |
| qwen3-tts-1_7b-base | 仅用于克隆声音 | |
| qwen3-tts-tokenizer-12hz |
选项
插件在启动时读取这些设置，因此更改会在它闲置五分钟后，或在你重启 Subtitld 后生效。Skip auto-extracted reference transcript 是个例外：Subtitld 会为每句台词都读取它。
在 设置 › 插件 › Qwen3-TTS (offline, 1.7B) › 配置 中。
cpu请保持为 CPU。发布的构建版本使用 PyTorch 的 CPU 包，因此 CUDA 无法在其中运行；MPS 标记为测试版。
auto“自动”在 CPU 上选择 float32，在 CUDA 上选择 bfloat16。float16 仅适用于 CUDA；在 CPU 上插件会改用 float32。
当 Subtitld 无法从视频中取得该说话人的样本时（例如没有打开视频），供克隆声音复制的一段音频。来自视频的样本始终优先。
上面默认音频中所说的话。插件会把它用于任何没有自带文字稿的样本，包括来自视频的样本，因此除非你依赖默认音频，否则请留空。
开启后，字幕文字将不再随样本一起作为其文字稿。克隆只依据声音本身进行。当你的字幕是对原话的意译时，这很有用。
语言
Subtitld 发送项目的语言时会去掉地区，因此 pt-br 会按葡萄牙语朗读。对于这十种语言之外的语言，内置声音会退回到其自身的语言，而克隆则使用自动检测。
zh-cnenjakodefrruptesit
平台
| 系统 | 下载 | 已测试 |
|---|---|---|
| Linux x86-64 | 455.7 MB | 在 CI 中构建并启动 |
| macOS (通用) | 345.8 MB | 在 CI 中构建并启动 |
| Windows x86-64 | 316.5 MB | 在 CI 中构建并启动 |
每个版本都在 Linux、macOS 和 Windows 上构建，CI 会检查程序能否启动并列出其声音。CI 不生成语音。
故障排除
bad_params要么字幕没有文字，要么克隆无法获得样本：Subtitld 无法剪出样本（没有打开视频，或该说话人没有字幕），而且没有设置默认音频。请为字幕添加文字、打开视频，或设置 Default voice reference。internal模型无法加载，或无法朗读该台词；错误信息会说明是哪一步。首次使用时下载失败也会归入此类：请检查网络连接和剩余磁盘空间后重试。如果你选择了 CUDA 或 MPS，请把设备改回 CPU。
许可
可用于商业工作：插件、qwen-tts 库和 Qwen3-TTS 权重均为 Apache-2.0 许可。
版本
- 1.0.6
Automated release for qwen3-tts v1.0.6.