没有独立显卡，我在笔记本上克隆了自己的声音（Qwen3-TTS 实测）

我在短视频平台发 AI 科普动画，用中文配音。每条视频最费时间的就是录旁白：说错了重录，不同天录的声音还不一样。我想写好稿子就直接得到自己声音的配音。

下面这套东西是 AI 编程助手 Claude Code 在我电脑上搭的，我负责说要什么、听效果、做决定。代码看不懂可以跳过，起作用的几个设置我都在正文里用大白话写了。

用到的东西

模型是 Qwen3-TTS-12Hz-1.7B-Base，阿里通义千问团队开源的语音合成模型（Apache-2.0 协议，代码在 github.com/Qwen/Qwen3-TTS）。能克隆声音的是 Base 版。模型文件我从 ModelScope（魔搭）下载，在国内比其他来源快得多。

它通过 qwen-tts 这个 Python 包运行，版本 0.1.1，装在 Python 3.11 的虚拟环境里。我电脑上的 Python 版本太新，机器学习的包还不支持，单独建一个 3.11 环境省了很多麻烦。

全程只用 CPU，模型用 float32 在处理器上跑，不需要 CUDA，也不需要 NVIDIA 显卡。

第一步：用现成的录像做参考音

我没有专门录音。手上有一段很长的录屏，里面是我在讲话，从里面剪了三段，加起来大约 33 秒。

片段长一点更像。7 到 15 秒的片段，克隆出来明显比 4 秒的片段更像我。

如果声音后面有背景音乐或噪音，要先把人声分离出来。在我的 CPU 上，BS-Roformer 分离模型处理 3 分钟音频要两个小时左右，太慢；audio-separator 包里的 Kim_Vocal_2 模型同样的活大约 3 分钟。

第二步：决定配音流不流畅的那个设置

Qwen3-TTS Base 有两种克隆方式：

方式	需要提供	学到的东西
ICL（默认）	一段音频，加上这段话的准确文字	你的音色，以及你在这段录音里的说话节奏
只用 x-vector	一段或几段音频，不需要文字	只学音色

我一开始用的是默认的 ICL。问题出在参考音上：那是即兴讲话，有停顿、有犹豫，快慢不均。克隆把这些也学去了，每一句都带着同样一顿一顿的节奏，听着不流畅。

换成只用 x-vector 后就好了。音色还是我的，节奏用的是模型自己更平稳的节奏，配旁白正需要这样。因为不需要文字，还能一次给它好几段参考音。

如果你的参考音是照稿念的、很干净，ICL 也许没问题。如果是随口讲的话，先试 x-vector。

下面是我电脑上脚本的简化版：

import numpy as np, soundfile as sf, torch
from qwen_tts import Qwen3TTSModel

torch.set_num_threads(14)  # 用多少个 CPU 线程

model = Qwen3TTSModel.from_pretrained(
    "models/Qwen3-TTS-12Hz-1.7B-Base", device_map="cpu", dtype=torch.float32
)

# 把几段人声（单声道 WAV）拼起来，中间隔一小段静音
voice, sr = sf.read("my_voice.wav", dtype="float32")
gap = np.zeros(int(0.25 * sr), np.float32)
clips = [(12.0, 23.5), (61.0, 72.7), (130.2, 141.1)]  # 起止时间，单位秒
parts = []
for start, end in clips:
    parts += [voice[int(start * sr):int(end * sr)], gap]
ref = np.concatenate(parts)

# 只用 x-vector：学音色，不学节奏，不需要文字
prompt = model.create_voice_clone_prompt(
    ref_audio=(ref, sr), ref_text=None, x_vector_only_mode=True
)

wavs, out_sr = model.generate_voice_clone(
    text=["大家好，今天聊聊怎么用 AI 给视频配音。"],
    language=["Chinese"],
    voice_clone_prompt=prompt,
)
sf.write("line01.wav", wavs[0], out_sr)

如果用 ICL，就只给一段音频，把它的准确文字填进 ref_text，并把 x_vector_only_mode 设成 False。

第三步：每句多合成几遍，挑最好的

同一句话每次合成出来都不太一样。有的在该停的地方停了，有的一口气冲过了逗号。所以我每句合成 3 到 5 遍，再挑一遍用。

我听的重点是：逗号处有没有停顿，句子中间有没有不该有的长停顿。这比音色上的细微差别重要。

一条视频二十几句，每句好几遍，全听一遍很累。所以先让脚本打分排序：

用语音识别（中文用 Paraformer）把每一遍转成文字，和稿子对比，找出吞字、念错的。
拿一段没用来克隆的我本人录音做对照，算声音的相似度（CAM++ 说话人验证模型）。
数停顿的次数，和这句话里的逗号对比。

最后我只听排在前面的几遍。

CPU 上跑得多快？

看运行记录，每批最多 6 句：每合成 1 秒语音，大约要算 3 到 6 秒。有一批 127 秒合成了 37 秒语音，另一批 147 秒合成了 24 秒。

换算下来，2 分钟的旁白每遍要 7 到 12 分钟，合成三遍大约半小时。慢是慢，但可以放在后台跑。每次加载模型也要时间，所以我把所有句子放在一次运行里合成。

其他有用的小办法

有些字有好几个读音，模型偶尔会念错。遇到这种情况，我在送给模型的文字里换成同音字，字幕里保留正确的字。比如「长连接」写成「常连接」，「回调」写成「回掉」。

也不是每条视频都要用我的声音。做 AI 快讯这类短新闻时，我用同一系列 CustomVoice 版本自带的预设音色，不需要参考音。

只克隆你有权使用的声音

克隆你自己的声音，或者本人同意过的声音。不要发布别人声音的克隆。

付费服务会不会更省事？

大概会。ElevenLabs 这类在线服务不用自己搭环境。后来我用同一段稿子测了 ElevenLabs 免费版，它自带的普通话声音比我的克隆更自然，详见同一段中文稿子：ElevenLabs 免费版和本地开源模型对比实测。