> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-es/audio-y-voz/qwen3-tts.md). # Clonación de voz Qwen3-TTS Clonación de voz multilingüe y TTS con Qwen3-TTS: más de 10 idiomas, streaming, control de emoción Qwen3-TTS de Alibaba es un modelo de texto a voz de última generación que admite **más de 10 idiomas** con clonación de voz a partir de solo 3 segundos de audio. Cuenta con control de emociones en lenguaje natural ("habla felizmente", "susurra suavemente"), streaming con 97 ms de latencia y dos tamaños de modelo (0.6B y 1.7B). Lanzado bajo Apache 2.0, es uno de los sistemas TTS de código abierto más capaces disponibles. ## Características clave * **más de 10 idiomas**: inglés, chino, japonés, coreano, francés, alemán, español y más * **Clonación de voz de 3 segundos**: Clona cualquier voz a partir de una breve muestra de audio * **Control natural de las emociones**: Controla el estilo con instrucciones de texto plano * **Compatibilidad con streaming**: latencia del primer token de 97 ms — ideal para aplicaciones en tiempo real * **Dos tamaños**: 0.6B (4 GB de VRAM) y 1.7B (8 GB de VRAM) * **Ajustable**: Modelos base disponibles para entrenamiento personalizado * **licencia Apache 2.0**: Uso comercial completo ## Variantes del modelo | Modelo | Parámetros | VRAM | Calidad | Velocidad | Ideal para | | ----------------------- | ---------- | ---- | ------- | --------- | ------------------------------ | | Qwen3-TTS-0.6B-Instruct | 0.6B | 4GB | Bueno | Rápido | GPUs económicas en tiempo real | | Qwen3-TTS-1.7B-Instruct | 1.7B | 8GB | Mejor | Medio | Calidad de producción | | Qwen3-TTS-0.6B-Base | 0.6B | 4GB | — | — | Ajuste fino | | Qwen3-TTS-1.7B-Base | 1.7B | 8GB | — | — | Ajuste fino | ## Requisitos | Componente | 0.6B | 1.7B | | ---------- | ------------ | ------------- | | GPU | RTX 3060 6GB | RTX 3080 10GB | | VRAM | 4GB | 8GB | | RAM | 8GB | 16GB | | Disco | 5GB | 10GB | | Python | 3.10+ | 3.10+ | **GPU recomendada de Clore.ai**: RTX 3060 ($0.03–0.07/h) para 0.6B, RTX 3080 ($0.05–0.19/h) para 1.7B ## Instalación ```bash pip install transformers torch torchaudio soundfile ``` ## Inicio rápido — Clonación de voz ```python import torch import torchaudio from transformers import AutoModelForCausalLM, AutoProcessor model_name = "Qwen/Qwen3-TTS-12Hz-1.7B-Instruct" processor = AutoProcessor.from_pretrained(model_name) model = AutoModelForCausalLM.from_pretrained( model_name, torch_dtype=torch.float16, device_map="auto" ) # Carga la voz de referencia (3+ segundos de cualquier voz) reference_audio, sr = torchaudio.load("reference_voice.wav") # Genera una clonación de voz de esa voz text = "Bienvenido a Clore.ai, el mercado descentralizado de alquiler de GPU." inputs = processor( text=text, audio=reference_audio, sampling_rate=sr, return_tensors="pt" ).to("cuda") with torch.no_grad(): output = model.generate(**inputs, max_new_tokens=2048) # Decodifica y guarda audio = processor.decode(output[0]) torchaudio.save("output.wav", audio.unsqueeze(0), 24000) ``` ## Control de emociones ```python # Controla la emoción con instrucciones en lenguaje natural prompts = [ ("Habla feliz y con energía", "¡Buenas noticias! Acabamos de lanzar la nueva función!"), ("Susurra suavemente y con delicadeza", "Déjame contarte un secreto sobre los precios de la GPU..."), ("Habla de forma profesional y clara", "Los resultados trimestrales muestran un aumento del 40% en los ingresos."), ("Habla con emoción", "¡No vas a creer los resultados del benchmark!"), ] for style, text in prompts: inputs = processor( text=text, style_prompt=style, audio=reference_audio, sampling_rate=sr, return_tensors="pt" ).to("cuda") output = model.generate(**inputs, max_new_tokens=2048) audio = processor.decode(output[0]) torchaudio.save(f"output_{style[:10]}.wav", audio.unsqueeze(0), 24000) ``` ## Generación multilingüe ```python # Genera en distintos idiomas (¡la misma voz!) texts = { "en": "Hola, bienvenido al mercado de GPU.", "zh": "你好，欢迎来到GPU市场。", "ja": "こんにちは、GPUマーケットプレイスへようこそ。", "ko": "안녕하세요, GPU 마켓플레이스에 오신 것을 환영합니다.", "fr": "Bonjour, bienvenue sur le marché GPU.", "de": "Hallo, willkommen auf dem GPU-Marktplatz.", } for lang, text in texts.items(): inputs = processor( text=text, audio=reference_audio, sampling_rate=sr, language=lang, return_tensors="pt" ).to("cuda") output = model.generate(**inputs, max_new_tokens=2048) audio = processor.decode(output[0]) torchaudio.save(f"output_{lang}.wav", audio.unsqueeze(0), 24000) ``` ## Comparación con otros modelos TTS | Función | Qwen3-TTS | Zonos | Dia | Kokoro | XTTS | | -------------------- | ---------- | ---------- | ------------ | ---------- | ---- | | Idiomas | 10+ | 1 (EN) | 1 (EN) | 1 (EN) | 17 | | Clonación de voz | 3 sec | 2-30 sec | No | No | 6 s | | Transmisión | ✅ (97ms) | ❌ | ❌ | ❌ | ✅ | | Control de emociones | ✅ Natural | ❌ | ✅ Automático | ❌ | ❌ | | Multihablante | ❌ | ❌ | ✅ | ❌ | ❌ | | VRAM mínima | 4GB | 8GB | 8GB | 2 GB | 6GB | | Licencia | Apache 2.0 | Apache 2.0 | Apache 2.0 | Apache 2.0 | AGPL | ## Consejos para usuarios de Clore.ai * **0.6B en RTX 3060**: La mejor opción económica a $0.03–0.07/h: suficiente para la mayoría de las tareas TTS * **Procesamiento por lotes**: Genera todos los clips de audio en una sola sesión para maximizar el tiempo de alquiler * **Almacena en caché el audio de referencia**: Mantén tus referencias de voz en almacenamiento persistente * **Streaming en tiempo real**: Usa la API de streaming para aplicaciones de chatbot/asistente * **Ajuste fino para voces personalizadas**: Alquila una RTX 4090 por unas horas para ajustar el modelo base con tus datos de voz ## Solución de problemas | Problema | Solución | | ----------------------------- | -------------------------------------------------------------------------------------- | | Sin memoria en 1.7B | Cambia a 0.6B o usa `torch_dtype=torch.float16` | | La clonación de voz suena mal | Usa 5-10 segundos de audio limpio (sin ruido de fondo) | | Salida en idioma incorrecto | Pasa explícitamente `idioma` parámetro | | Primera generación lenta | Normal: el modelo se carga en la primera llamada. Las llamadas posteriores son rápidas | ## Lecturas adicionales * [Modelos de Hugging Face](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-Instruct) * [Documentación de Qwen3-TTS](https://qwen.readthedocs.io/) * [Guía de clonación de voz](https://medium.com/@zh.milo/qwen3-tts-the-complete-2026-guide) --- # Agent Instructions This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com. ## Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter: ``` GET https://docs.clore.ai/guides/guides_v2-es/audio-y-voz/qwen3-tts.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.