模型对比

本地语音合成：Qwen3-TTS 还是 SuperClonica

Qwen3-TTS 是 Qwen 团队的开源语音模型系列，2026 年 1 月发布 0.6B 和 1.7B 两种规模，采用 Apache 2.0 许可证。它能用 3 秒音频克隆声音，按文字描述设计声音，并以低延迟流式输出。SuperClonica 的定位更窄：现成和定制训练的 Supertonic 3 音色，在 CPU 上运行很快。

两者都能在您自己的硬件上运行，区别在于速度、语言，以及获得声音的方式。对中文用户来说，最关键的一点是：Qwen3-TTS 支持中文，Supertonic 3 目前不支持。

查找 Supertonic 3 音色 前往 SuperClonica 安装页面

Qwen3-TTS 能做什么

官方示例在 NVIDIA GPU 上以 bfloat16 运行，并推荐使用 FlashAttention 2 来降低显存占用。

  • 10 种语言：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，另有多种方言音色。
  • Base 模型支持 3 秒声音克隆，无需训练。
  • 根据自然语言描述设计声音（1.7B VoiceDesign 模型）。
  • 用指令控制语气、语速和情感。
  • 支持流式生成，官方称端到端延迟最低 97 毫秒。

Qwen3-TTS 在 CPU 上的速度

对于 0.6B 模型，我们估计在 8 核台式机 CPU 上比实时慢 1–2 倍，10 秒语音需要 10–20 秒。依据是一个用 C 语言编写的社区推理引擎：它在笔记本处理器 Ryzen 7 6800H 上，用 INT4 权重跑 0.6B 模型，RTF 为 2.02。1.7B 模型更慢，我们估计比实时慢 2–5 倍。直接用 PyTorch 可能比这个 C 引擎慢得多。

在 Apple Silicon 上 Qwen 的表现更好：同一个引擎在 M1 上的 RTF 为 0.52，约是实时的 2 倍。

按我们的估算，SuperClonica 在 8 核台式机 CPU 上是实时的 6.4–9.7 倍，同样 10 秒语音约 1.0–1.6 秒。

音质、稳定性和语言

在我们的评分中，Qwen3-TTS 的音质为 4 分、音色稳定性 4 分（满分 5 分）；SuperClonica 分别是 4.5 分和 5 分。

语言数量上 Supertonic 3 以 31 对 10 领先，但两者覆盖的语言并不重合。Qwen3-TTS 支持中文，Supertonic 3 不支持；反过来，Supertonic 3 支持阿拉伯语、印地语、土耳其语、越南语、乌克兰语、波兰语以及大多数其他欧洲语言。

怎么选

两者都开源、都能本地运行，选择取决于用途。

  • Qwen3-TTS：需要中文、即时克隆或声音设计；或者在 GPU 上做语音助手，看重首包延迟。
  • SuperClonica：要在 CPU 上大量生成语音，语言在 Supertonic 3 的 31 种之内，或者希望训练好的声音在成千上万句台词里保持同一种音色。