Qwen TTS：高质量本地AI语音合成 - Openclaw Skills

什么是 Qwen TTS (本地AI语音合成)？

Qwen TTS 是一款旨在提供高保真语音合成且无需依赖云端 API 的本地 AI 技能。通过利用 Qwen3-TTS-12Hz-1.7B-CustomVoice 模型，这一 Openclaw Skills 库的新成员允许开发人员通过自然语言指令，以 10 种不同的语言生成语音，并对情感、语气和风格进行细粒度控制。在初始模型下载后，该技能完全脱机运行，确保了语音应用的数据隐私并降低了延迟。

该技能具有 9 个优质说话人配置文件，涵盖从年轻明亮到成熟醇厚的多种风格，使其在各种内容创作需求中具有极高的通用性。对于需要在保持对硬件和数据完全控制的同时，寻求可靠、高质量音频生成的开发人员来说，这是一个理想的解决方案。作为 Openclaw Skills 的一个组件，它可以无缝集成到更广泛的自动化和智能代理工作流中。

下载入口:https://github.com/openclaw/skills/tree/main/skills/paki81/qwen-tts

安装与下载

1. ClawHub CLI

从源直接安装技能的最快方式。

npx clawhub@latest install qwen-tts

2. 手动安装

将技能文件夹复制到以下位置之一

全局模式 ~/.openclaw/skills/ 工作区 /skills/

优先级：工作区 > 本地 > 内置

3. 提示词安装

将此提示词复制到 OpenClaw 即可自动安装。

请帮我使用 Clawhub 安装 qwen-tts。如果尚未安装 Clawhub，请先安装（npm i -g clawhub）。

Qwen TTS (本地AI语音合成) 应用场景

• 为多语言应用生成本地化语音消息。
• 使用语音指令为故事讲述或游戏创建富有情感的叙述。
• 用私有、本地替代方案取代昂贵的云端 TTS 服务。
• 开发需要离线语音合成的无障碍工具。
• 将逼真的语音反馈集成到 Openclaw Skills 中的 AI 代理和自动化工作流中。

Qwen TTS (本地AI语音合成) 工作原理

1. 用户通过 CLI 提供文本字符串以及语言、说话人和语音指令等可选参数。
2. 该技能触发基于 Python 的执行环境，将 Qwen3-TTS 1.7B 模型加载到内存中，并利用 GPU 加速（如果可用）。
3. 模型处理自然语言指令，以修改生成语音的韵律、情感或风格。
4. 模型以 16kHz 采样率合成音频以确保清晰度。
5. 生成 WAV 文件并保存到指定的输出路径，文件位置将返回到调用的 Openclaw Skills 环境。

Qwen TTS (本地AI语音合成) 配置指南

首先，导航到技能目录并运行安装脚本以创建虚拟环境并安装依赖项：

cd skills/public/qwen-tts
bash scripts/setup.sh

请注意，首次生成语音时，系统会自动从 Hugging Face 下载 1.7GB 的模型。确保您的环境中有 Python 3.10-3.12 可用。对于特定地区的用户，可以在运行脚本之前通过设置 export HF_ENDPOINT=https://hf-mirror.com 来使用镜像。

Qwen TTS (本地AI语音合成) 数据架构与分类体系

该技能通过 CLI 接口和本地文件存储管理数据。它生成未压缩的音频文件并利用本地模型缓存。

属性	规格
输出格式	WAV (未压缩)
采样率	16kHz
模型大小	~1.7GB (存储在本地缓存)
环境大小	~500MB
支持语言	中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语
元数据	说话人名称、语言标签和指令字符串

name: qwen-tts
description: Local text-to-speech using Qwen3-TTS-12Hz-1.7B-CustomVoice. Use when generating audio from text, creating voice messages, or when TTS is requested. Supports 10 languages including Italian, 9 premium speaker voices, and instruction-based voice control (emotion, tone, style). Alternative to cloud-based TTS services like ElevenLabs. Runs entirely offline after initial model download.

Qwen TTS

Local text-to-speech using Hugging Face's Qwen3-TTS-12Hz-1.7B-CustomVoice model.

Quick Start

Generate speech from text:

scripts/tts.py "Ciao, come va?" -l Italian -o output.wav

With voice instruction (emotion/style):

scripts/tts.py "Sono felice!" -i "Parla con entusiasmo" -l Italian -o happy.wav

Different speaker:

scripts/tts.py "Hello world" -s Ryan -l English -o hello.wav

Installation

First-time setup (one-time):

cd skills/public/qwen-tts
bash scripts/setup.sh

This creates a local virtual environment and installs qwen-tts package (~500MB).

Note: First synthesis downloads ~1.7GB model from Hugging Face automatically.

Usage

scripts/tts.py [options] "Text to speak"

Options

• -o, --output PATH - Output file path (default: qwen_output.wav)
• -s, --speaker NAME - Speaker voice (default: Vivian)
• -l, --language LANG - Language (default: Auto)
• -i, --instruct TEXT - Voice instruction (emotion, style, tone)
• --list-speakers - Show available speakers
• --model NAME - Model name (default: CustomVoice 1.7B)

Examples

Basic Italian speech:

scripts/tts.py "Benvenuto nel futuro del text-to-speech" -l Italian -o welcome.wav

With emotion/instruction:

scripts/tts.py "Sono molto felice di vederti!" -i "Parla con entusiasmo e gioia" -l Italian -o happy.wav

Different speaker:

scripts/tts.py "Hello, nice to meet you" -s Ryan -l English -o ryan.wav

List available speakers:

scripts/tts.py --list-speakers

Available Speakers

The CustomVoice model includes 9 premium voices:

Recommendation: Use each speaker's native language for best quality, though all speakers support all 10 languages (Chinese, English, Japanese, Korean, German, French, Russian, Portuguese, Spanish, Italian).

Voice Instructions

Use -i, --instruct to control emotion, tone, and style:

Italian examples:

• "Parla con entusiasmo"
• "Tono serio e professionale"
• "Voce calma e rilassante"
• "Leggi come un narratore"

English examples:

• "Speak with excitement"
• "Very happy and energetic"
• "Calm and soothing voice"
• "Read like a narrator"

Integration with OpenClaw

The script outputs the audio file path to stdout (last line), making it compatible with OpenClaw's TTS workflow:

# OpenClaw captures the output path
cd skills/public/qwen-tts
OUTPUT=$(scripts/tts.py "Ciao" -s Vivian -l Italian -o /tmp/audio.wav 2>/dev/null)
# OUTPUT = /tmp/audio.wav

Performance

• GPU (CUDA): ~1-3 seconds for short phrases
• CPU: ~10-30 seconds for short phrases
• Model size: ~1.7GB (auto-downloads on first run)
• Venv size: ~500MB (installed dependencies)

Troubleshooting

Setup fails:

# Ensure Python 3.10-3.12 is available
python3.12 --version

# Re-run setup
cd skills/public/qwen-tts
rm -rf venv
bash scripts/setup.sh

Model download slow/fails:

# Use mirror (China mainland)
export HF_ENDPOINT=https://hf-mirror.com
scripts/tts.py "Test" -o test.wav

Out of memory (GPU): The model automatically falls back to CPU if GPU memory insufficient.

Audio quality issues:

• Try different speaker: --list-speakers
• Add instruction: -i "Speak clearly and slowly"
• Check language matches text: -l Italian for Italian text

Model Details

• Model: Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
• Source: Hugging Face (https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice)
• License: Check model card for current license terms
• Sample Rate: 16kHz
• Output Format: WAV (uncompressed)