免费AI配音！本地克隆自己的声音，做视频不用再录音｜Qwen3 TTS

2026年11月8日 79点热度 0人点赞 0条评论

用自己的录音作参考，在 Windows 本地为新文案生成 WAV。本文配套 Episode 022，包含从零安装、模型下载、本机网页使用、实测速度及完整口播文稿。

Episode 022 · 在 YouTube 观看完整视频 ↗

本机实测与适用范围

实测与链接核对日期为2026年11月8日。使用 Windows 11 x64、Python 3.12.10、RTX 3060 Laptop 6GB、546.30 驱动、Qwen3-TTS 0.6B Base、PyTorch 2.7.1+cu118。Qwen3-TTS 使用 Apache-2.0 许可，Base 模型提供参考声音克隆。

同一段中文，GPU 生成13.36秒音频用了32–34秒；i7-12700H CPU 生成14.88秒音频用了约71秒。计时包括参考声音编码，模型加载与文件写入另计。GPU 与 CPU 精度不同，输出长度也不同，这些数据只描述本机测试。

模型下载约2.52 GB，Python 环境约6.50 GB，安装缓存和临时空间另计。整卡显存采样峰值约5.4 GiB，包含桌面和其他程序。以上配置与占用均为本机观察值。

片中安装和网页流程为本机实际操作，独立试听段标注“预演样本 · 本地合成”。生成结果具有随机性，数字、英文和软件名需要逐次回听。

安装与启动命令

下列命令与本期实测来源保持一致。本次 qwen-tts 为0.1.1、ModelScope 为1.40.2；带 -U 的命令会按安装时的软件源解析版本。其他显卡、驱动及后续版本请对照官方说明。

# E022 Qwen3-TTS 安装与使用命令

实测日期为2026年11月8日。Windows 11 x64、Python 3.12.10、RTX 3060 Laptop 6GB、驱动546.30。先安装64位Python 3.12，并用 py -3.12 --version 确认。以下组合已经在本机验证，其他电脑应先核对 PyTorch 官方安装选择器和驱动兼容性。

工作文件夹可以放在自己选择的位置。参考录音使用你自己或已获得本人同意的声音。

## 1. 建立干净环境

```powershell
mkdir E022_qwen3tts
cd E022_qwen3tts
py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip
```

后续直接调用虚拟环境内的程序，不需要修改PowerShell执行策略，也不依赖激活脚本。

## 2. 安装本机验证的CUDA组合，再装Qwen3-TTS

官方历史版本页仍提供此命令。实际首装未指定版本号，从官方cu118索引解析到的版本即以下组合；为复现将版本写明。

```powershell
.\.venv\Scripts\python.exe -m pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu118
.\.venv\Scripts\python.exe -m pip install -U qwen-tts
.\.venv\Scripts\python.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
.\.venv\Scripts\python.exe -m pip check
```

本次解析：qwen-tts0.1.1、transformers4.57.3、accelerate1.12.0、Gradio6.17.3。CUDA检测输出 `True`，实际GPU矩阵运算与语音生成均通过。若为False，先核对是否NVIDIA显卡、驱动与安装包是否兼容，不能只凭False断定装成CPU版。

官方入口：
- https://pytorch.org/get-started/locally/
- https://pytorch.org/get-started/previous-versions/#v2-7-1
- https://github.com/QwenLM/Qwen3-TTS

## 3. 从ModelScope下载模型

```powershell
.\.venv\Scripts\python.exe -m pip install -U modelscope
.\.venv\Scripts\modelscope.exe download --model Qwen/Qwen3-TTS-12Hz-0.6B-Base --local_dir ./Qwen3-TTS-12Hz-0.6B-Base
```

本次ModelScope1.40.2。该Base快照14个文件合计2,516,106,826字节（约2.52GB/2.34GiB），已经包含 `speech_tokenizer` 子目录，无需另外下载独立Tokenizer仓库。不要漏掉这个子目录。安装环境和临时文件还需要额外磁盘空间；这是模型大小，不是安装总占用。

## 4. 启动本机网页

```powershell
.\.venv\Scripts\qwen-tts-demo.exe ./Qwen3-TTS-12Hz-0.6B-Base --ip 127.0.0.1 --port 8000 --no-flash-attn
```

浏览器打开 http://127.0.0.1:8000 。本机实测HTTP上传WAV并生成成功。这个地址供当前电脑使用；未开启公网分享，不需要HTTPS上传本地文件。不要照搬官方远程麦克风HTTPS场景的要求。

关键修正：本次CLI默认开启FlashAttention2，源稿不加选项的命令实际报 `ImportError: ... flash_attn ... not installed`。加上 `--no-flash-attn` 后通过，不为该教程在Windows编译FlashAttention。

本次未安装系统SoX可执行程序，导入会显示 `SoX could not be found`；pip的sox包已安装。这条提示在已测试的PCM WAV上传、克隆、合成及下载流程中没有阻断；不能推断所有格式或所有SoX功能都可用。本次Gradio6还显示theme/css参数位置变化警告，核心流程实测通过，没有修改第三方包。

## 5. 界面使用

1. 在“Clone & Generate / 克隆并合成”上传本人或已获本人同意的 `my_voice.wav`。
2. 在Reference Text填写参考录音原话；本教程不勾选效果受限的x-vector-only选项。
3. Target Text填写新文案，Language选Chinese，点击Generate。
4. 等Status明确显示Finished，试听右侧Output Audio，下载WAV；不要把左侧参考音频当成生成结果。
5. 短句分段生成。改一段就重做一段；数字、英文、专有名词逐项回听。字幕保留应显示的实际数值/名称，发音输入可以另行调整。

## 6. Python备用路线（本次GPU/CPU实测采用同一API）

把自己参考录音的原话填入 `ref_text`，脚本存为 `generate.py`，放在模型文件夹和 `my_voice.wav` 所在的工作目录。

```python
import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "./Qwen3-TTS-12Hz-0.6B-Base",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="sdpa",
    local_files_only=True,
)
wavs, sr = model.generate_voice_clone(
    text="这里写你想生成的视频旁白。",
    language="Chinese",
    ref_audio="my_voice.wav",
    ref_text="这里替换成你自己参考录音的逐字稿。",
)
sf.write("output.wav", wavs[0], sr)
```

```powershell
.\.venv\Scripts\python.exe .\generate.py
```

仅用CPU时，本机测试使用 `device_map="cpu"`、`dtype=torch.float32` 和 `torch.set_num_threads(8)`；15秒左右输出约需71秒，不承诺其他CPU速度。生成需先完成模型下载。

1. 建立干净环境

mkdir E022_qwen3tts
cd E022_qwen3tts
py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip

mkdir E022_qwen3tts
cd E022_qwen3tts
py -3.12 -m venv .venv
.\.venv\Scripts\python.exe -m pip install --upgrade pip

后续直接调用虚拟环境内的程序，不需要修改PowerShell执行策略，也不依赖激活脚本。

2. 安装本机验证的CUDA组合，再装Qwen3-TTS

官方历史版本页仍提供此命令。实际首装未指定版本号，从官方cu118索引解析到的版本即以下组合；为复现将版本写明。

.\.venv\Scripts\python.exe -m pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu118
.\.venv\Scripts\python.exe -m pip install -U qwen-tts
.\.venv\Scripts\python.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
.\.venv\Scripts\python.exe -m pip check

.\.venv\Scripts\python.exe -m pip install torch==2.7.1 torchvision==0.22.1 torchaudio==2.7.1 --index-url https://download.pytorch.org/whl/cu118
.\.venv\Scripts\python.exe -m pip install -U qwen-tts
.\.venv\Scripts\python.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available())"
.\.venv\Scripts\python.exe -m pip check

本次解析：qwen-tts0.1.1、transformers4.57.3、accelerate1.12.0、Gradio6.17.3。CUDA检测输出 True，实际GPU矩阵运算与语音生成均通过。若为False，先核对是否NVIDIA显卡、驱动与安装包是否兼容，不能只凭False断定装成CPU版。

官方入口：
- https://pytorch.org/get-started/locally/
- https://pytorch.org/get-started/previous-versions/#v2-7-1
- https://github.com/QwenLM/Qwen3-TTS

3. 从ModelScope下载模型

.\.venv\Scripts\python.exe -m pip install -U modelscope
.\.venv\Scripts\modelscope.exe download --model Qwen/Qwen3-TTS-12Hz-0.6B-Base --local_dir ./Qwen3-TTS-12Hz-0.6B-Base

.\.venv\Scripts\python.exe -m pip install -U modelscope
.\.venv\Scripts\modelscope.exe download --model Qwen/Qwen3-TTS-12Hz-0.6B-Base --local_dir ./Qwen3-TTS-12Hz-0.6B-Base

本次ModelScope1.40.2。该Base快照14个文件合计2,516,106,826字节（约2.52GB/2.34GiB），已经包含 speech_tokenizer 子目录，无需另外下载独立Tokenizer仓库。不要漏掉这个子目录。安装环境和临时文件还需要额外磁盘空间；这是模型大小，不是安装总占用。

4. 启动本机网页

.\.venv\Scripts\qwen-tts-demo.exe ./Qwen3-TTS-12Hz-0.6B-Base --ip 127.0.0.1 --port 8000 --no-flash-attn

.\.venv\Scripts\qwen-tts-demo.exe ./Qwen3-TTS-12Hz-0.6B-Base --ip 127.0.0.1 --port 8000 --no-flash-attn

浏览器打开 http://127.0.0.1:8000 。本机实测HTTP上传WAV并生成成功。这个地址供当前电脑使用；未开启公网分享，不需要HTTPS上传本地文件。不要照搬官方远程麦克风HTTPS场景的要求。

关键修正：本次CLI默认开启FlashAttention2，源稿不加选项的命令实际报 ImportError: ... flash_attn ... not installed。加上 --no-flash-attn 后通过，不为该教程在Windows编译FlashAttention。

本次未安装系统SoX可执行程序，导入会显示 SoX could not be found；pip的sox包已安装。这条提示在已测试的PCM WAV上传、克隆、合成及下载流程中没有阻断；不能推断所有格式或所有SoX功能都可用。本次Gradio6还显示theme/css参数位置变化警告，核心流程实测通过，没有修改第三方包。

5. 界面使用

1. 在“Clone & Generate / 克隆并合成”上传本人或已获本人同意的 my_voice.wav。
2. 在Reference Text填写参考录音原话；本教程不勾选效果受限的x-vector-only选项。
3. Target Text填写新文案，Language选Chinese，点击Generate。
4. 等Status明确显示Finished，试听右侧Output Audio，下载WAV；不要把左侧参考音频当成生成结果。
5. 短句分段生成。改一段就重做一段；数字、英文、专有名词逐项回听。字幕保留应显示的实际数值/名称，发音输入可以另行调整。

6. Python备用路线（本次GPU/CPU实测采用同一API）

把自己参考录音的原话填入 ref_text，脚本存为 generate.py，放在模型文件夹和 my_voice.wav 所在的工作目录。

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "./Qwen3-TTS-12Hz-0.6B-Base",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="sdpa",
    local_files_only=True,
)
wavs, sr = model.generate_voice_clone(
    text="这里写你想生成的视频旁白。",
    language="Chinese",
    ref_audio="my_voice.wav",
    ref_text="这里替换成你自己参考录音的逐字稿。",
)
sf.write("output.wav", wavs[0], sr)

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "./Qwen3-TTS-12Hz-0.6B-Base",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="sdpa",
    local_files_only=True,
)
wavs, sr = model.generate_voice_clone(
    text="这里写你想生成的视频旁白。",
    language="Chinese",
    ref_audio="my_voice.wav",
    ref_text="这里替换成你自己参考录音的逐字稿。",
)
sf.write("output.wav", wavs[0], sr)

.\.venv\Scripts\python.exe .\generate.py

.\.venv\Scripts\python.exe .\generate.py

仅用CPU时，本机测试使用 device_map="cpu"、dtype=torch.float32 和 torch.set_num_threads(8)；15秒左右输出约需71秒，不承诺其他CPU速度。生成需先完成模型下载。

模型下载与网盘备份

官方 0.6B Base 快照已经包含 speech_tokenizer 子目录，请保留完整目录。网盘 ZIP 为2,076,568,625字节（约2.08 GB），内含官方 LICENSE。下载后先核对 SHA256 再解压。

ZIP SHA256 b3f7e70d8d21776d47280d29640c8788777b40cc240245a9051c3084840bb91f

网页生成与排错

保持启动网页的终端开启，浏览器打开 http://127.0.0.1:8000/。
在 Reference Audio 上传自己的干净 WAV，在 Reference Text 填写录音原话。完整克隆流程不勾选 x-vector-only。
在 Target Text 输入新文案，Language 选 Chinese，点击 Generate。
等 Status 显示 Finished，试听右侧 Output Audio，满意后下载 WAV。左侧播放器是参考音频。
先试听十几秒，再分段合成、导入剪映并按实际音频检查字幕。

本机启动时遇到默认 FlashAttention2 未安装报错，使用上面的 --no-flash-attn 命令解决。系统 SoX 缺失提示未阻断本次 PCM WAV 上传和合成，其他音频格式需要另行核对。

本教程绑定当前电脑的 loopback 地址。完成模型下载后，已测试的生成过程在本机完成。只克隆自己的声音，或使用已获得本人同意的参考声音。

命令与完整文稿下载

官方说明

按视频章节回看

完整视频文稿

# E022 视频文稿

## 先看效果与本期路线

你现在听到的旁白，是电脑上一个免费开源的语音模型，用我自己的声音生成的。准备一次参考录音，后面改文案，就能重新生成配音。这期讲三件事：什么电脑跑过，怎样从零安装，装好以后，怎样给视频配音。完整命令和模型备份，会整理到本期资料里。

## 电脑配置与真实速度

模型叫Qwen3-TTS，来自通义千问团队，采用Apache二点零许可，支持中文、英文等十种语言。克隆声音选择Base模型，我这次用零点六B的小版本。
我实测的是Windows十一、RTX三零六零笔记本显卡，六G显存。同一段中文，GPU生成约十三秒的音频，用了三十二到三十四秒；CPU生成约十五秒的音频，用了七十一秒。计时包含参考录音的处理，不含模型加载。这次生成时间比音频长，要预留等待时间。
测试时整张显卡最高用了约五点四GiB显存，其中也有桌面程序。模型下载约二点五二GB，安装环境还要额外空间。这些是这台电脑的结果，不是最低配置。你可以先生成一小段，再决定是否适合自己的工作流。

## 创建环境并验证 CUDA

第一步，安装六十四位Python三点一二。在一个空文件夹里打开PowerShell，运行创建虚拟环境的命令。后面直接调用这个环境里的Python，不需要改系统的执行策略，也不用挪动你已有的项目。
第二步，先安装带CUDA支持的PyTorch，再安装qwen-tts。我的显卡驱动是五四六点三零，这次验证的是PyTorch二点七点一，CUDA十一点八组合。官方当前默认包已经更新，电脑和驱动不同，要先对照官方页面选择，别把我的命令当成所有显卡的通用答案。
装完检查版本，再看显卡检测是否为True。这次还实际跑过显卡运算和语音生成。若输出False，先核对显卡、驱动和安装包的兼容性；不能只凭这一行，就认定一定装成了CPU版。最后运行依赖检查，确认没有冲突。

## 下载模型与修复启动报错

第三步，通过ModelScope下载模型，国内用户也可以按官方推荐走这个入口。把下载目录写成画面里的名字，文件会保存在当前工作文件夹。这份Base模型已经带着语音Tokenizer子目录，不需要再下载一份独立Tokenizer，解压或复制时也别漏掉它。
如果下载不动，本期资料里会提供同一模型的网盘备份和SHA二五六清单。下载后先核对压缩包校验值，再解压模型文件夹。备份不含任何人的参考录音或音色档案。
第四步，启动网页。这里要补一个实测踩到的坑：默认命令会启用FlashAttention，我这台Windows没有安装它，直接启动会报错。加上关闭FlashAttention的选项，就能正常打开。另一个SoX未找到的提示，在这次WAV上传和合成中没有阻断；其他音频格式仍要单独检查。

## 本机网页克隆声音并下载

浏览器打开画面里的本机地址，保持启动它的终端开着。这个教程只在当前电脑使用，没有开启公网分享，本机上传文件也不需要HTTPS。
左边上传一段你自己的录音。我这次用了十秒左右的干净声音，没有背景音乐。下面填参考录音的逐字稿，要和原话一致；我们走完整克隆流程，不勾选只用说话人向量的选项。
中间输入新文案，语言选择Chinese，再点生成。等右边状态显示生成完成，听右边的合成结果，别把左边参考录音当成输出。满意以后下载WAV，放到剪映的音轨上，再按实际声音检查字幕。
模型下载完，这次生成都在本机完成，参考声音没有上传到网上。只克隆你自己的声音，或者已经拿到本人同意的声音，不要拿来冒充别人。

## 分段配音和数字英文

真正做视频，先把文案写好，一次生成一两句，哪段不满意就只重做那段。参考录音保持清楚，避免背景音乐、混响和突然变大的音量。
数字、英文和软件名要专门回听。我这次测试的二零二六年、Docker和Qwen3-TTS，原文样本的读法可以用。但一次读对，不保证每次都一样；如果某个词不满意，可以试着把输入改成你需要的读法，再生成、再听。中文化改写也要检查效果。字幕中的年份、端口和软件名称，保留它们实际应显示的写法。
先做一个十几秒的小样，确认内容、音色和速度，再分段做完整视频。生成时等一会儿，后面改稿就不需要重新对着麦克风录整段。

## 资料和往期推荐

本期安装命令、官方模型入口和网盘校验资料，会随视频说明提供。你可以先用自己的声音试一小段。这里是西楚极客，我们继续用 AI，把真正能运行的项目做出来。下期见。

展开完整口播文稿

先看效果与本期路线

你现在听到的旁白，是电脑上一个免费开源的语音模型，用我自己的声音生成的。准备一次参考录音，后面改文案，就能重新生成配音。这期讲三件事：什么电脑跑过，怎样从零安装，装好以后，怎样给视频配音。完整命令和模型备份，会整理到本期资料里。

你现在听到的旁白，是电脑上一个免费开源的语音模型，用我自己的声音生成的。准备一次参考录音，后面改文案，就能重新生成配音。这期讲三件事：什么电脑跑过，怎样从零安装，装好以后，怎样给视频配音。完整命令和模型备份，会整理到本期资料里。

电脑配置与真实速度

模型叫Qwen3-TTS，来自通义千问团队，采用Apache二点零许可，支持中文、英文等十种语言。克隆声音选择Base模型，我这次用零点六B的小版本。
我实测的是Windows十一、RTX三零六零笔记本显卡，六G显存。同一段中文，GPU生成约十三秒的音频，用了三十二到三十四秒；CPU生成约十五秒的音频，用了七十一秒。计时包含参考录音的处理，不含模型加载。这次生成时间比音频长，要预留等待时间。
测试时整张显卡最高用了约五点四GiB显存，其中也有桌面程序。模型下载约二点五二GB，安装环境还要额外空间。这些是这台电脑的结果，不是最低配置。你可以先生成一小段，再决定是否适合自己的工作流。

模型叫Qwen3-TTS，来自通义千问团队，采用Apache二点零许可，支持中文、英文等十种语言。克隆声音选择Base模型，我这次用零点六B的小版本。
我实测的是Windows十一、RTX三零六零笔记本显卡，六G显存。同一段中文，GPU生成约十三秒的音频，用了三十二到三十四秒；CPU生成约十五秒的音频，用了七十一秒。计时包含参考录音的处理，不含模型加载。这次生成时间比音频长，要预留等待时间。
测试时整张显卡最高用了约五点四GiB显存，其中也有桌面程序。模型下载约二点五二GB，安装环境还要额外空间。这些是这台电脑的结果，不是最低配置。你可以先生成一小段，再决定是否适合自己的工作流。

创建环境并验证 CUDA

第一步，安装六十四位Python三点一二。在一个空文件夹里打开PowerShell，运行创建虚拟环境的命令。后面直接调用这个环境里的Python，不需要改系统的执行策略，也不用挪动你已有的项目。
第二步，先安装带CUDA支持的PyTorch，再安装qwen-tts。我的显卡驱动是五四六点三零，这次验证的是PyTorch二点七点一，CUDA十一点八组合。官方当前默认包已经更新，电脑和驱动不同，要先对照官方页面选择，别把我的命令当成所有显卡的通用答案。
装完检查版本，再看显卡检测是否为True。这次还实际跑过显卡运算和语音生成。若输出False，先核对显卡、驱动和安装包的兼容性；不能只凭这一行，就认定一定装成了CPU版。最后运行依赖检查，确认没有冲突。

第一步，安装六十四位Python三点一二。在一个空文件夹里打开PowerShell，运行创建虚拟环境的命令。后面直接调用这个环境里的Python，不需要改系统的执行策略，也不用挪动你已有的项目。
第二步，先安装带CUDA支持的PyTorch，再安装qwen-tts。我的显卡驱动是五四六点三零，这次验证的是PyTorch二点七点一，CUDA十一点八组合。官方当前默认包已经更新，电脑和驱动不同，要先对照官方页面选择，别把我的命令当成所有显卡的通用答案。
装完检查版本，再看显卡检测是否为True。这次还实际跑过显卡运算和语音生成。若输出False，先核对显卡、驱动和安装包的兼容性；不能只凭这一行，就认定一定装成了CPU版。最后运行依赖检查，确认没有冲突。

下载模型与修复启动报错

第三步，通过ModelScope下载模型，国内用户也可以按官方推荐走这个入口。把下载目录写成画面里的名字，文件会保存在当前工作文件夹。这份Base模型已经带着语音Tokenizer子目录，不需要再下载一份独立Tokenizer，解压或复制时也别漏掉它。
如果下载不动，本期资料里会提供同一模型的网盘备份和SHA二五六清单。下载后先核对压缩包校验值，再解压模型文件夹。备份不含任何人的参考录音或音色档案。
第四步，启动网页。这里要补一个实测踩到的坑：默认命令会启用FlashAttention，我这台Windows没有安装它，直接启动会报错。加上关闭FlashAttention的选项，就能正常打开。另一个SoX未找到的提示，在这次WAV上传和合成中没有阻断；其他音频格式仍要单独检查。

第三步，通过ModelScope下载模型，国内用户也可以按官方推荐走这个入口。把下载目录写成画面里的名字，文件会保存在当前工作文件夹。这份Base模型已经带着语音Tokenizer子目录，不需要再下载一份独立Tokenizer，解压或复制时也别漏掉它。
如果下载不动，本期资料里会提供同一模型的网盘备份和SHA二五六清单。下载后先核对压缩包校验值，再解压模型文件夹。备份不含任何人的参考录音或音色档案。
第四步，启动网页。这里要补一个实测踩到的坑：默认命令会启用FlashAttention，我这台Windows没有安装它，直接启动会报错。加上关闭FlashAttention的选项，就能正常打开。另一个SoX未找到的提示，在这次WAV上传和合成中没有阻断；其他音频格式仍要单独检查。

本机网页克隆声音并下载

浏览器打开画面里的本机地址，保持启动它的终端开着。这个教程只在当前电脑使用，没有开启公网分享，本机上传文件也不需要HTTPS。
左边上传一段你自己的录音。我这次用了十秒左右的干净声音，没有背景音乐。下面填参考录音的逐字稿，要和原话一致；我们走完整克隆流程，不勾选只用说话人向量的选项。
中间输入新文案，语言选择Chinese，再点生成。等右边状态显示生成完成，听右边的合成结果，别把左边参考录音当成输出。满意以后下载WAV，放到剪映的音轨上，再按实际声音检查字幕。
模型下载完，这次生成都在本机完成，参考声音没有上传到网上。只克隆你自己的声音，或者已经拿到本人同意的声音，不要拿来冒充别人。

浏览器打开画面里的本机地址，保持启动它的终端开着。这个教程只在当前电脑使用，没有开启公网分享，本机上传文件也不需要HTTPS。
左边上传一段你自己的录音。我这次用了十秒左右的干净声音，没有背景音乐。下面填参考录音的逐字稿，要和原话一致；我们走完整克隆流程，不勾选只用说话人向量的选项。
中间输入新文案，语言选择Chinese，再点生成。等右边状态显示生成完成，听右边的合成结果，别把左边参考录音当成输出。满意以后下载WAV，放到剪映的音轨上，再按实际声音检查字幕。
模型下载完，这次生成都在本机完成，参考声音没有上传到网上。只克隆你自己的声音，或者已经拿到本人同意的声音，不要拿来冒充别人。

分段配音和数字英文

真正做视频，先把文案写好，一次生成一两句，哪段不满意就只重做那段。参考录音保持清楚，避免背景音乐、混响和突然变大的音量。
数字、英文和软件名要专门回听。我这次测试的二零二六年、Docker和Qwen3-TTS，原文样本的读法可以用。但一次读对，不保证每次都一样；如果某个词不满意，可以试着把输入改成你需要的读法，再生成、再听。中文化改写也要检查效果。字幕中的年份、端口和软件名称，保留它们实际应显示的写法。
先做一个十几秒的小样，确认内容、音色和速度，再分段做完整视频。生成时等一会儿，后面改稿就不需要重新对着麦克风录整段。

真正做视频，先把文案写好，一次生成一两句，哪段不满意就只重做那段。参考录音保持清楚，避免背景音乐、混响和突然变大的音量。
数字、英文和软件名要专门回听。我这次测试的二零二六年、Docker和Qwen3-TTS，原文样本的读法可以用。但一次读对，不保证每次都一样；如果某个词不满意，可以试着把输入改成你需要的读法，再生成、再听。中文化改写也要检查效果。字幕中的年份、端口和软件名称，保留它们实际应显示的写法。
先做一个十几秒的小样，确认内容、音色和速度，再分段做完整视频。生成时等一会儿，后面改稿就不需要重新对着麦克风录整段。

资料和往期推荐

本期安装命令、官方模型入口和网盘校验资料，会随视频说明提供。你可以先用自己的声音试一小段。这里是西楚极客，我们继续用 AI，把真正能运行的项目做出来。下期见。

本期安装命令、官方模型入口和网盘校验资料，会随视频说明提供。你可以先用自己的声音试一小段。这里是西楚极客，我们继续用 AI，把真正能运行的项目做出来。下期见。

上期回顾 · Docker 拉取镜像失败怎么办｜Ubuntu 排障与离线启动 · 全部教程 →