> 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-fr/audio-et-voix/qwen3-tts.md).

# Clonage vocal Qwen3-TTS

Clonage vocal multilingue et synthèse vocale avec Qwen3-TTS — plus de 10 langues, streaming, contrôle des émotions

Qwen3-TTS d'Alibaba est un modèle de synthèse vocale de pointe prenant en charge **plus de 10 langues** avec clonage vocal à partir de seulement 3 secondes d'audio. Il offre un contrôle des émotions en langage naturel ("parler joyeusement", "murmurer doucement"), le streaming avec une latence de 97 ms, et deux tailles de modèle (0,6B et 1,7B). Publié sous licence Apache 2.0, c'est l'un des systèmes TTS open source les plus performants disponibles.

## Caractéristiques clés

* **plus de 10 langues**: anglais, chinois, japonais, coréen, français, allemand, espagnol, et plus encore
* **clonage vocal en 3 secondes**: Clonez n'importe quelle voix à partir d'un court échantillon audio
* **Contrôle naturel des émotions**: Contrôlez le style à l'aide d'instructions en texte simple
* **Prise en charge du streaming**: latence au premier jeton de 97 ms — idéal pour les applications en temps réel
* **Deux tailles**: 0.6B (4 Go de VRAM) et 1.7B (8 Go de VRAM)
* **Ajustable**: modèles de base disponibles pour un entraînement personnalisé
* **licence Apache 2.0**: Utilisation commerciale complète

## Variantes de modèle

| Modèle                  | Paramètres | VRAM | Qualité  | Vitesse | Idéal pour                    |
| ----------------------- | ---------- | ---- | -------- | ------- | ----------------------------- |
| Qwen3-TTS-0.6B-Instruct | 0.6B       | 4 Go | Bon      | Rapide  | GPU économiques en temps réel |
| Qwen3-TTS-1.7B-Instruct | 1.7B       | 8 Go | Meilleur | Moyen   | Qualité de production         |
| Qwen3-TTS-0.6B-Base     | 0.6B       | 4 Go | —        | —       | Affinage                      |
| Qwen3-TTS-1.7B-Base     | 1.7B       | 8 Go | —        | —       | Affinage                      |

## Exigences

| Composant | 0.6B          | 1.7B           |
| --------- | ------------- | -------------- |
| GPU       | RTX 3060 6 Go | RTX 3080 10 Go |
| VRAM      | 4 Go          | 8 Go           |
| RAM       | 8 Go          | 16 Go          |
| Disque    | 5 Go          | 10GB           |
| Python    | 3.10+         | 3.10+          |

**GPU Clore.ai recommandé**: RTX 3060 (0,03–0,07 $/h) pour 0.6B, RTX 3080 (0,05–0,19 $/h) pour 1.7B

## Installation

```bash
pip install transformers torch torchaudio soundfile
```

## Démarrage rapide — Clonage vocal

```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"
)

# Charger la voix de référence (3+ secondes de n'importe quelle voix)
reference_audio, sr = torchaudio.load("reference_voice.wav")

# Générer une parole clonant cette voix
text = "Bienvenue sur Clore.ai, la place de marché décentralisée de location 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)

# Décoder et enregistrer
audio = processor.decode(output[0])
torchaudio.save("output.wav", audio.unsqueeze(0), 24000)
```

## Contrôle des émotions

```python
# Contrôlez l'émotion avec des instructions en langage naturel
prompts = [
    ("Parlez joyeusement et avec énergie", "Excellente nouvelle ! Nous venons de lancer la nouvelle fonctionnalité !"),
    ("Murmurez doucement et délicatement", "Laissez-moi vous confier un secret sur les prix des GPU..."),
    ("Parlez de manière professionnelle et claire", "Les résultats trimestriels montrent une augmentation du chiffre d'affaires de 40 %."),
    ("Parlez avec enthousiasme", "Vous n'allez pas croire les résultats du 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)
```

## Génération multilingue

```python
# Générez dans différentes langues (la même voix !)
texts = {
    "en": "Bonjour, bienvenue sur la place de marché des 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)
```

## Comparaison avec d'autres modèles TTS

| Fonctionnalité        | Qwen3-TTS  | Zonos      | Dia           | Kokoro     | XTTS |
| --------------------- | ---------- | ---------- | ------------- | ---------- | ---- |
| Langues               | 10+        | 1 (EN)     | 1 (EN)        | 1 (EN)     | 17   |
| Clonage vocal         | 3 s        | 2 à 30 s   | Non           | Non        | 6 s  |
| Flux continu          | ✅ (97 ms)  | ❌          | ❌             | ❌          | ✅    |
| Contrôle des émotions | ✅ Naturel  | ❌          | ✅ Automatique | ❌          | ❌    |
| Multi-locuteur        | ❌          | ❌          | ✅             | ❌          | ❌    |
| VRAM minimale         | 4 Go       | 8 Go       | 8 Go          | 2GB        | 6 Go |
| Licence               | Apache 2.0 | Apache 2.0 | Apache 2.0    | Apache 2.0 | AGPL |

## Conseils pour les utilisateurs de Clore.ai

* **0.6B sur RTX 3060**: Meilleure option économique à 0,03–0,07 $/h — suffisante pour la plupart des tâches TTS
* **Traitement par lots**: Générez tous les clips audio en une seule session afin de maximiser le temps de location
* **Mise en cache de l'audio de référence**: Conservez vos références vocales sur un stockage persistant
* **Streaming en temps réel**: Utilisez l'API de streaming pour les applications de chatbot/d'assistant
* **Ajuster finement pour des voix personnalisées**: Louez un RTX 4090 pendant quelques heures pour ajuster finement le modèle de base sur vos données vocales

## Dépannage

| Problème                       | Solution                                                                        |
| ------------------------------ | ------------------------------------------------------------------------------- |
| Mémoire insuffisante sur 1.7B  | Passez à 0.6B ou utilisez `torch_dtype=torch.float16`                           |
| Le clonage vocal sonne mal     | Utilisez 5 à 10 secondes d'audio propre (sans bruit de fond)                    |
| Sortie dans la mauvaise langue | Passez explicitement `language` parameter                                       |
| Première génération lente      | Normal — le modèle se charge au premier appel. Les appels suivants sont rapides |

## Pour aller plus loin

* [Modèles HuggingFace](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-Instruct)
* [Documentation Qwen3-TTS](https://qwen.readthedocs.io/)
* [Guide de clonage vocal](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 by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.clore.ai/guides/guides_v2-fr/audio-et-voix/qwen3-tts.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.