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。

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。

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。

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。

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。

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。