🚀 项目背景：AI 语音的新纪元 —— Qwen3-TTS

在 AI 生成领域，声音的自然度与实时性一直是技术攻关的难点。近日，通义千问团队发布了全新的 Qwen3-TTS 系列模型，这不仅是一次版本的迭代，更是语音合成（TTS）架构的一次大爆发。

💡 核心技术亮点

引自：https://github.com/QwenLM/Qwen3-TTS

• 全信息端到端架构： 不同于传统的“语言模型+扩散模型（LM+DiT）”方案，Qwen3-TTS 采用了离散多码本 LM 架构。这意味着它彻底告别了传统方案中的信息瓶颈和级联误差，让声音的生成更加丝滑、真实。

• 毫秒级极速响应： 凭借创新的 Dual-Track 双轨混合流式架构，Qwen3-TTS 实现了惊人的 97ms 端到端合成延迟。真正做到了“字出声随”，完美适配实时交互场景。

• “所想即所听”的智能控制： 模型内置了强大的语义理解能力。你不再需要复杂的调参，只需通过自然语言指令（如“用温柔且轻快的语气说”），模型就能自动调整音色、情感和语速。

• 全球化语言支持： 原生支持包括中、英、日、韩、德、法、俄、葡、西、意在内的 10 种主流语言及多种方言。

📦 本次部署模型一览

在本教程中，我们将基于 BitaHub 环境，通过 ComfyUI 部署以下三款核心模型：

模型名称	核心功能	适用场景
Qwen3-TTS-1.7B-VoiceDesign	声音设计	通过描述文字“创造”出世界上独一无二的声音。
Qwen3-TTS-1.7B-CustomVoice	预设控制	提供 9 种涵盖不同性别、年龄和方言的高级优质音色。
Qwen3-TTS-1.7B-Base	声音克隆	仅需 3 秒参考音频，即可实现高保真度的快速克隆。

以上模型均已上传至 BitaHub 模型库。

🛠️ 部署实战：从零搭建 Qwen3-TTS 工作流

在 BitaHub 上部署 ComfyUI 并集成 Qwen3-TTS，主要分为文件准备、模型配置和环境初始化等四个阶段。

第一阶段：项目文件准备

1. 克隆基础项目： 在本地或通过 BitaHub 终端克隆 ComfyUI 官方项目，并将其上传至 BitaHub 的文件存储中。

2. 集成自定义节点： 由于官方 ComfyUI 尚未原生适配 Qwen3-TTS，我们采用了 HAIGC 大佬提供的开源适配项目。

   • 项目地址： https://github.com/HAIGC/Comfyui-HAIGC-QwenTTS

   • 操作： 将该项目下载/克隆后，上传至 ComfyUI/custom_nodes/ 路径下。

第二阶段：模型转存与路径规范

Qwen3-TTS 系列模型体积较大，建议利用 BitaHub 的模型库转存功能，直接将模型秒速同步至个人存储。请务必保持以下目录结构，以确保节点能够正确识别模型：

ComfyUI/
└── models/
    └── qwen-tts/
        ├── Qwen3-TTS-12Hz-1.7B-VoiceDesign/  # 声音设计模型
        ├── Qwen3-TTS-12Hz-1.7B-CustomVoice/  # 预设声音模型
        └── Qwen3-TTS-12Hz-1.7B-Base/         # 基础/克隆模型

第三阶段：创建开发环境任务

完成文件准备后，我们需要在 BitaHub 上正式启动开发环境。请按照以下步骤进行配置：

1. 任务创建与端口映射

• 挂载数据： 在创建“开发环境”任务时，务必选择挂载存放了上述 ComfyUI 文件夹的存储路径。

• 定义端口： 在自定义端口处添加 8188。这是访问 ComfyUI Web 界面的默认服务端口。

2. 进入终端环境

• 启动 Jupyter： 任务状态变为“运行中”后，点击界面上的 Jupyter 入口。

• 打开终端： 在 Jupyter 界面选择 Terminal，进入命令行操作模式。

3. 虚拟环境配置 (推荐)

为避免依赖冲突，建议创建专属 Python 环境：

# 创建虚拟环境
python3 -m venv comfy_env

# 激活环境
source comfy_env/bin/activate

4. 安装核心依赖与 Qwen3 专有库

进入项目根目录，依次安装 ComfyUI 基础依赖及 Qwen3-TTS 节点所需的特定环境：

# 1. 安装节点专有依赖
cd custom_nodes/Comfyui-HAIGC-QwenTTS
pip install -r requirements.txt

# 2. 安装音频处理及加速扩展库
pip install sox onnxruntime librosa soundfile accelerate

5. 项目启动与访问

回到 ComfyUI 根目录，运行启动指令：

# 返回根目录
cd ../../

# 启动服务
python main.py --listen 0.0.0.0 --port 8188

• 如何访问： 启动成功后，回到 BitaHub 开发环境任务页面，复制外部访问链接到浏览器中打开，即可进入 ComfyUI 操作界面。

第四阶段：实战演练 —— 三大模块详解

在成功启动 ComfyUI 界面后，我们即可导入精心设计的 Qwen3-TTS 工作流。Qwen3-TTS 的强大之处在于它将多种语音能力集成到了统一的架构中。在本次使用的 HAIGC-QwenTTS 插件中，我们通过三个核心工作流板块，完整覆盖了从“虚构声音”到“克隆真人”的所有场景

🎨 板块一：声音设计（Voice Design）

—— 凭空创造独一无二的声音

• 模型加载： 选择 Qwen3-TTS-12Hz-1.7B-VoiceDesign。

• 指令驱动： 输入 Prompt，如：“一个非常有磁性的中年男性声音，语速稍快，带着自信的语气”。

• 参数调节： 调整 Seed 改变特征，调整 Temperature 控制情感波动。

👥 板块二：声音克隆（Voice Clone）

—— 3秒素材，完美复刻

• 模型加载： 必须使用 Qwen3-TTS-12Hz-1.7B-Base。

• Whisper 协同： 引入 Apply Whisper 节点自动识别参考音频文本，反馈给引擎以大幅提升还原度。

• 操作要点： 上传 3-10 秒人声音频，输入新文本，点击运行。

🎭 板块三：自定义预设语音（Custom Voice）

—— 精品音色一键即用

• 模型加载： 选择 Qwen3-TTS-12Hz-1.7B-CustomVoice。

• 预设说话人： 内置 9 种精品音色（如 Vivian 等），覆盖全年龄段。

• 流式生成： 双轨架构支持秒级导出音频，适合长文本。

🌟 结语：开启你的 AI 创作新声代

从环境配置的“基建”到三大实战模块的“精修”，我们已经在 BitaHub 上完成了 Qwen3-TTS 的完整部署。这套工作流不仅展示了通义千问在语音领域深厚的技术底蕴，更为每一位创作者提供了将“想象”转化为“听觉”的强大工具。

Qwen3-TTS 的发布，标志着 AI 语音正式进入了高保真、低延迟且具备深度语义理解的新阶段。无论是制作极具感染力的短视频配音，还是构建毫秒级响应的智能交互助手，这套在 BitaHub 上跑通的方案都将成为你最有力的技术后盾。

技术不应是有门槛的秘密，而是触手可及的生产力。 现在，算力已经就绪，工作流已经跑通，接下来的舞台属于你的创意。希望这篇教程能帮助你在 AI 声音进化的浪潮中，先人一步抢占高地。