Qwen3-TTS-12Hz-1.7B与ComfyUI集成指南

想用Qwen3-TTS生成各种声音，但又不想写代码？觉得命令行太麻烦，想要一个更直观的操作方式？那你来对地方了。

今天咱们聊聊怎么把Qwen3-TTS这个强大的语音生成模型，集成到ComfyUI这个可视化工作流工具里。简单说，就是用拖拽节点的方式玩转语音克隆、声音设计和预设音色，整个过程就像搭积木一样简单。

我自己用了一段时间，感觉这个组合特别适合做视频配音、有声书制作，或者就是想玩玩AI语音的朋友。不用懂太多技术细节，跟着步骤走就行。

1. 准备工作：安装ComfyUI-Qwen-TTS插件

首先你得有个ComfyUI环境。如果你还没装ComfyUI，建议先去官方GitHub看看安装方法，这里就不展开了。咱们假设你已经有了一个能正常运行的ComfyUI。

1.1 插件安装步骤

安装这个插件其实挺简单的，就几个命令的事。打开你的终端或者命令行工具，进入到ComfyUI的目录。

# 进入ComfyUI的自定义节点目录
cd ComfyUI/custom_nodes

# 克隆插件仓库
git clone https://github.com/flybirdxx/ComfyUI-Qwen-TTS.git

# 进入插件目录安装依赖
cd ComfyUI-Qwen-TTS
pip install torch torchaudio transformers librosa accelerate

等安装完成，重启一下ComfyUI。重新打开后，你应该能在节点菜单里找到Qwen3-TTS相关的节点了。如果没看到，检查一下是不是有报错信息，或者试试重新启动。

1.2 处理transformers版本冲突

这里有个小坑需要注意。Qwen3-TTS官方要求transformers版本是4.57.3，但你的ComfyUI里可能已经装了其他版本。如果版本不匹配，插件可能用不了。

怎么解决呢？我试过两种方法。

第一种是创建虚拟环境，专门给这个插件用。这样它需要的版本就不会影响ComfyUI其他节点。

# 在插件目录下创建虚拟环境
python -m venv venv_qwen_tts

# 激活虚拟环境（Windows用venv_qwen_tts\Scripts\activate）
source venv_qwen_tts/bin/activate

# 安装指定版本的transformers
pip install transformers==4.57.3

# 其他依赖
pip install torch torchaudio librosa accelerate

第二种方法更简单，直接用插件自带的依赖管理。这个插件设计得挺聪明，它会尝试处理版本冲突，大部分情况下都能自动搞定。如果遇到问题，可以看看插件的issue页面，通常能找到解决方案。

2. 三大核心节点详解

插件提供了三个主要节点，对应Qwen3-TTS的三种功能。咱们一个一个来看怎么用。

2.1 声音设计节点：用文字创造声音

这个节点对应的是Qwen3-TTS-12Hz-1.7B-VoiceDesign模型。它的特点是不需要任何参考音频，只用文字描述就能生成你想要的声音。

想象一下，你可以描述“一个低沉磁性的中年男声，语速缓慢，适合讲恐怖故事”，然后模型就能生成符合这个描述的声音。是不是很神奇？

在ComfyUI里找到“Qwen3-TTS 声音设计”节点，拖到画布上。你会看到几个输入框：

• 文本：你想让AI说的话
• 语言：支持中文、英文、日文等10种语言
• 指令：描述声音的文字，这是最关键的部分
• 模型路径：默认会从HuggingFace下载模型，你也可以指定本地路径

怎么写出好的声音描述呢？我总结了几点经验：

别只说“好听的声音”，太模糊了。要说具体特征，比如“音色清亮的年轻女声，音调温柔”。 结合多个维度，性别、年龄、情感、语速都提一下。 别要求模仿具体明星，有版权风险，而且模型也不支持。 简洁一点，每个词都要有用。

举个例子，如果你想生成一个游戏角色的声音，可以这样描述：“年轻活泼的女战士声音，语速偏快，音调上扬，带着自信和一点点俏皮”。

2.2 声音克隆节点：复制任何声音

这个节点用的是Qwen3-TTS-12Hz-1.7B-Base模型（也有0.6B的轻量版）。给它一段3-5秒的参考音频，它就能学会这个声音，然后用这个声音说任何内容。

我试过用自己的一段录音，效果还挺像的。不过要注意，参考音频质量很重要。背景噪音少、发音清晰的音频，克隆效果会好很多。

节点参数包括：

• 参考音频：可以是本地文件路径，或者直接输入音频数据
• 参考文本：参考音频对应的文字内容（可选，但有了效果更好）
• 目标文本：你想用克隆声音说的话
• 语言：选择语言

有个小技巧：参考音频不要太短也不要太长。3-5秒比较合适，能包含足够的语音特征，又不会让处理时间太长。如果音频太长，插件会自动截取前面一部分。

2.3 预设声音节点：开箱即用

如果你不想自己设计声音，也不想找参考音频克隆，那就用这个节点。它用的是Qwen3-TTS-12Hz-1.7B-CustomVoice模型，内置了多个高质量的预设音色。

官方提供了9种预设声音，包括不同性别、年龄、语言的声音。比如有温柔的中文女声、稳重的英文男声等等。直接选一个用就行，特别方便。

这个节点用起来最简单，只需要输入文本、选择语言和音色，就能生成语音。适合快速生成、批量处理等场景。

3. 搭建你的第一个语音工作流

现在咱们实际搭一个工作流试试。假设你想做一个简单的视频配音，需要两个角色的对话。

3.1 基础工作流搭建

打开ComfyUI，新建一个工作流。从节点菜单里拖出以下节点：

1. 两个“文本”节点，分别输入两个角色的台词
2. 一个“Qwen3-TTS 声音设计”节点，用来生成第一个角色的声音
3. 一个“Qwen3-TTS 预设声音”节点，用来生成第二个角色的声音
4. 两个“音频输出”节点，保存生成的语音文件

连接方式很简单：文本节点连接到TTS节点的文本输入，TTS节点的音频输出连接到音频输出节点。

给声音设计节点写个描述，比如“年轻男声，语速中等，音调平稳”。给预设声音节点选个合适的音色，比如“Vivian”（温柔女声）。

点击运行，等一会儿，你就能在输出目录找到两个音频文件了。用播放器听听效果，不满意可以调整描述再试。

3.2 进阶工作流：先设计后克隆

这是个更实用的技巧。有时候你想要一个特定的声音，但找不到合适的参考音频。这时候可以先设计一个接近的声音，然后用它作为克隆的参考。

工作流这样搭：

1. 用声音设计节点生成一段“参考音频”，描述你理想中的声音
2. 把生成的音频作为声音克隆节点的参考音频
3. 用克隆节点生成更多内容

这样做的好处是，你创造的声音可以重复使用。生成一次参考音频后，保存下来，以后随时可以用这个声音生成新的语音，保持一致性。

对于做有声书、游戏配音这些需要角色声音一致的项目，这个方法特别有用。

4. Mac M系列芯片的优化方案

如果你用的是Mac电脑，特别是M1、M2、M3这些苹果自家芯片，配置会有点不一样。好消息是，这个插件支持MPS加速，不用CUDA也能跑。

4.1 MPS加速配置

在节点参数里，你会看到一个“设备”选项。默认可能是“cuda”或“cpu”，对于Mac用户，要改成“mps”。

# 如果你查看插件代码，会发现这样的设备设置逻辑
device = "mps" if torch.backends.mps.is_available() else "cpu"

MPS是苹果的Metal Performance Shaders，专门为Apple Silicon优化的。用MPS能显著提升推理速度，虽然可能还是不如高端NVIDIA显卡快，但比纯CPU快多了。

4.2 显存管理技巧

Mac的统一内存和PC的显存不太一样，但管理原则相似。Qwen3-TTS-1.7B模型需要大约8GB内存，0.6B模型需要约4GB。

如果你的Mac内存是8GB，跑1.7B模型可能会有点吃力。这时候有几种选择：

用0.6B模型，效果稍差但能跑起来 关闭其他占用内存的应用 使用bf16精度，可以减少内存使用，效果损失不大

在节点参数里可以设置精度，选择“torch.bfloat16”就能启用bf16。我试过，听不出和全精度的明显区别，但内存占用能少一半。

5. 常见问题与解决技巧

用了一段时间，我遇到了一些典型问题，这里分享下解决方法。

5.1 模型下载慢或失败

第一次运行插件时，它会从HuggingFace下载模型权重。如果网络不好，可能会下载失败或特别慢。

解决办法是提前下载好模型，放到本地目录。模型权重可以HuggingFace或ModelScope下载，然后放到ComfyUI/models/qwen-tts/目录下。

在节点参数里，把“模型路径”从默认的HuggingFace名称改成你的本地路径，比如./models/qwen-tts/Qwen3-TTS-12Hz-1.7B-VoiceDesign。

5.2 生成速度慢

生成速度取决于你的硬件。在我的测试中，RTX 3090上生成10秒语音大约需要4-5秒，Mac M2 Max上需要8-10秒。

如果觉得慢，可以试试这些优化：

使用0.6B模型而不是1.7B 启用bf16精度 确保没有其他程序占用大量GPU资源 对于长文本，可以分段生成，然后拼接

5.3 声音质量不满意

有时候生成的声音可能不太自然，或者不符合预期。这时候可以调整几个地方：

检查声音描述是否足够具体和准确 尝试不同的随机种子（如果有这个参数） 调整语速、音调等相关参数 对于克隆任务，确保参考音频质量高、背景噪音少

如果是克隆自己的声音，建议录一段清晰、自然的音频，包含不同的音调和节奏，这样克隆效果会更好。

5.4 与其他节点的兼容性

ComfyUI里可能有其他音频处理节点，比如降噪、混音、格式转换等。Qwen3-TTS节点生成的音频可以连接到这些节点进一步处理。

常见的组合包括：

TTS生成 → 音量标准化 → 背景音乐混合 → 最终输出 多个TTS生成 → 音频拼接 → 淡入淡出处理 → 输出 TTS生成 → 语音识别验证 → 修正文本 → 重新生成

这样就能构建完整的音频处理流水线了。

6. 实际应用场景示例

最后聊聊这个工具能用来做什么。我想到几个实际的应用场景，也许能给你一些灵感。

6.1 视频配音制作

如果你做短视频或教学视频，需要配音但不想自己录，或者需要多个角色的对话。用这个工作流，你可以：

为每个角色设计或克隆独特的声音 批量生成所有台词 调整语速、情感配合视频节奏 导出音频文件，导入到视频编辑软件

特别是对于需要多语言配音的情况，Qwen3-TTS支持10种语言，一套工作流就能搞定。

6.2 有声书和播客

制作有声书时，需要叙述者声音保持一致。你可以：

克隆一个合适的声音作为叙述者 用这个声音生成整本书的音频 对于不同角色，设计不同的声音 添加背景音乐、音效等后期处理

播客制作也类似，可以为主持人设计专属声音，或者为嘉宾克隆声音。

6.3 游戏和动画配音

独立游戏开发者或动画制作者，可能没有预算请专业配音演员。这个工具提供了一个替代方案：

为每个游戏角色设计独特声音 生成对话、旁白、系统提示等所有语音 调整情感表达配合游戏场景 实时生成动态对话（需要流式支持）

6.4 辅助工具开发

还可以基于这个工作流开发一些实用工具：

文本转语音工具，支持多种声音选择 语音克隆服务，为用户创建个性化语音助手 多语言翻译配音工具，保持说话人声音一致 无障碍阅读工具，为视障用户提供语音内容

---

整体用下来，Qwen3-TTS和ComfyUI的集成确实让语音生成变得简单多了。不用写代码，可视化操作，对于不熟悉编程的朋友特别友好。效果方面，1.7B模型的质量已经相当不错，日常使用完全足够。

当然也有一些小问题，比如生成速度不算特别快，对硬件有一定要求。但考虑到这是完全免费的开源方案，这些都可以接受。如果你对AI语音感兴趣，或者有相关的创作需求，强烈建议试试这个组合。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。