TTS（Text-to-Speech，文本转语音）可以把解说稿直接生成音频。在 Windows 11 和 RTX 3060 12GB 上，Qwen3-TTS 1.7B 与 IndexTTS 2.5 都已完成中文短句生成验证。日常使用可以从三个启动文件进入网页，生成的音频自动保存到固定目录。

这套部署把源码、Python、模型、缓存、参考录音和输出统一放在 D:\AI\TTS，同时为两套应用保留独立的 Python 依赖环境。本文记录 2026 年 10 月 20 日的实际配置、关键命令和测试结果，并提供运行管理脚本。

模型选择与实测环境

本次安装包含三个用途不同的模型：

模型 本次用途 本地模型目录
Qwen3-TTS-12Hz-1.7B-CustomVoice 选择预设音色，配合文字指令控制表达 models\qwen-customvoice
Qwen3-TTS-12Hz-1.7B-Base 根据参考录音克隆声音 models\qwen-base
IndexTTS 2.5 根据参考录音配音，并使用情绪控制功能 models\indextts-2.5

Qwen 的 CustomVoice 和 Base 对应不同任务，需要分别下载权重；本次没有安装 VoiceDesign。模型用途可对照 Qwen3-TTS 官方说明和 IndexTTS 2.5 模型说明。

项目 实测配置
系统 Windows 11 Pro
显卡 NVIDIA GeForce RTX 3060，12GB 显存
CPU / 内存 Intel Core i9-12900K / 64GB
显卡驱动 610.88
Qwen Python 3.12.15
IndexTTS Python 3.11.13
PyTorch / torchaudio 2.8.0，CUDA 12.8 构建，即 cu128
Transformers Qwen 4.57.3；IndexTTS 4.52.1
Gradio 两套环境均为 5.45.0

这里的 Python 独立环境，是指每个应用都有自己的 .venv 文件夹，单独保存所需的软件包。两个项目使用的 Transformers 版本不同，分别管理可以避免安装一方依赖时影响另一方。

本次使用 BF16 半精度运行，即用较少的位数保存计算中的数值，以降低显存占用。没有安装 FlashAttention、DeepSpeed，也没有启用自定义 CUDA 内核编译。

统一目录结构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
D:\AI\TTS\
├── 启动Qwen配音.cmd
├── 启动Qwen声音克隆.cmd
├── 启动IndexTTS.cmd
├── apps\
│   ├── qwen3-tts\.venv\
│   └── index-tts\.venv\
├── python\                 Python 3.11、3.12
├── tools\                  uv、Git、FFmpeg、SoX
├── models\
│   ├── qwen-customvoice\
│   ├── qwen-base\
│   └── indextts-2.5\
│       └── hf_cache\       IndexTTS 辅助模型
├── voices\                 参考录音、参考文本、Qwen 音色文件
│   └── index\
├── outputs\
│   ├── qwen-customvoice\
│   ├── qwen-base\
│   └── index\
├── cache\                  软件包和模型下载缓存、计算缓存
├── temp\                   临时文件、网页临时音频
├── logs\                   运行日志、版本和测试记录
└── scripts\                环境配置、启动与目录管理脚本

统一管理需要同时控制安装目录和缓存目录。只把源码放在 D 盘，Python 下载工具和网页组件仍可能使用用户目录或系统临时目录。

启动脚本为当前进程设置环境变量，不修改系统 PATH。NVIDIA 驱动仍由 Windows 管理；浏览器自行下载的文件仍服从浏览器下载设置。这里统一的是 TTS 应用及其依赖、缓存和输出，并不包含 Windows 与浏览器本身。

运行管理脚本

下载 Windows 运行管理脚本，2026-10-20 版，ZIP，5,112 字节。

附件包含本次部署使用的三个 .cmd 启动文件，以及 env.ps1、start.ps1、run-model.py、layout.ps1。解压后将启动文件放在 D:\AI\TTS 根目录，四个脚本放在其 scripts 子目录。

附件负责环境变量、模型启动、输出保存和目录关联，不包含 Python、第三方工具、模型权重或依赖安装包。下方命令按已部署结构整理；未在第二台空白电脑上完整重装验证。

环境配置的主要内容

env.ps1 从脚本所在位置计算安装根目录，并设置以下路径：

环境变量 作用与保存位置
UV_PYTHON_INSTALL_DIR uv 管理的 Python，放在 python
UV_CACHE_DIR uv 下载与安装缓存，放在 cache\uv
HF_HOME、HF_HUB_CACHE、HF_XET_CACHE Hugging Face 缓存，放在 cache\huggingface 下
MODELSCOPE_CACHE ModelScope 缓存，放在 cache\modelscope
TORCH_HOME、TORCH_EXTENSIONS_DIR PyTorch 缓存，放在 cache 下
GRADIO_TEMP_DIR 网页临时音频，放在 temp\gradio
TEMP、TMP 当前进程临时目录，放在 temp
CUDA_CACHE_PATH CUDA 计算缓存，放在 cache\cuda

此外，脚本配置了 pip、Numba、Matplotlib 等组件的缓存目录，并通过 PYTHONNOUSERSITE=1 避免加载用户级 Python 软件包。uv 的 Python 注册和全局路径修改也已关闭。uv 相关变量可查阅其环境变量文档。

安装工具与独立环境

以下命令在 PowerShell 中执行。首次打开终端后先加载 env.ps1；重新打开终端时需要再次加载。各安装命令成功后再继续下一步。

准备便携工具

从官方发布入口下载 Windows 版本，解压成以下结构：

工具 本次版本 需要存在的文件
uv 0.13.1 tools\uv\uv.exe
MinGit 2.56.0.2 tools\git\cmd\git.exe
FFmpeg Windows 构建 9.0.2 tools\ffmpeg\bin\ffmpeg.exe
SoX 14.4.2 tools\sox\sox.exe

解压时保留工具附带的 DLL 和其他文件；检查压缩包是否多套了一层目录。工具准备好后加载环境，安装 Python：

1
2
3
4
5
6
. 'D:\AI\TTS\scripts\env.ps1'
uv --version
git --version
ffmpeg -version
sox --version
uv python install 3.12.15 3.11.13

如果 Windows 阻止运行下载的 PowerShell 脚本，可在核对附件内容后，以当前进程执行策略打开一个新终端：

1
powershell.exe -NoProfile -ExecutionPolicy Bypass

再在新窗口加载 env.ps1。三个日常启动文件已经带有当前进程的执行策略参数，无需修改系统执行策略。

获取源码并记录版本

1
2
3
4
5
git clone https://github.com/QwenLM/Qwen3-TTS.git D:\AI\TTS\apps\qwen3-tts
git clone https://github.com/index-tts/index-tts.git D:\AI\TTS\apps\index-tts

git -C D:\AI\TTS\apps\qwen3-tts checkout 022e286b98fbec7e1e916cb940cdf532cd9f488e
git -C D:\AI\TTS\apps\index-tts checkout d9e41aac89fd00b3d71497fddb287b7f24613712

这两个提交对应本次实测源码。重新部署时固定源码版本，可以减少上游更新导致参数或依赖变化的影响。软件包下载仍受包源可用性影响。

安装 Qwen 环境

1
2
3
4
Set-Location D:\AI\TTS\apps\qwen3-tts
uv venv --python 3.12.15 .venv
uv pip install --python .venv\Scripts\python.exe torch==2.8.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu128
uv pip install --python .venv\Scripts\python.exe -e . transformers==4.57.3 gradio==5.45.0 modelscope==1.40.2

安装 IndexTTS 环境

1
2
Set-Location D:\AI\TTS\apps\index-tts
uv sync --python 3.11.13 --extra webui

IndexTTS 按对应源码中的锁文件安装依赖，只启用网页需要的 webui 依赖组。没有使用 --all-extras，也没有为了启动网页安装本次未使用的加速组件。

分别在两个应用目录执行以下命令，检查 PyTorch 是否识别显卡：

1
.\.venv\Scripts\python.exe -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0)); print(torch.cuda.is_bf16_supported())"

本次两套环境均识别到 RTX 3060，CUDA 和 BF16 检查均返回 True。

下载模型与辅助文件

三个主模型分别来自以下官方仓库：

仓库 保存位置
Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice D:\AI\TTS\models\qwen-customvoice
Qwen/Qwen3-TTS-12Hz-1.7B-Base D:\AI\TTS\models\qwen-base
IndexTeam/IndexTTS-2.5 D:\AI\TTS\models\indextts-2.5

需要下载整个模型仓库对应的配置、分词器和权重文件，不能只拿一个最大的权重文件。Qwen 模型目录中的 speech_tokenizer 子目录也要保留。

例如，将下面内容保存为 D:\AI\TTS\scripts\download-main-models.py，使用 Qwen 环境中的 Hugging Face 下载组件获取本次对应版本：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
from pathlib import Path
from huggingface_hub import snapshot_download

root = Path(__file__).resolve().parent.parent
models = [
    (
        "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
        "0c0e3051f131929182e2c023b9537f8b1c68adfe",
        "qwen-customvoice",
    ),
    (
        "Qwen/Qwen3-TTS-12Hz-1.7B-Base",
        "fd4b254389122332181a7c3db7f27e918eec64e3",
        "qwen-base",
    ),
    (
        "IndexTeam/IndexTTS-2.5",
        "c39ce5ba981572cb187443877ff559dfb246ce63",
        "indextts-2.5",
    ),
]
for repo, revision, folder in models:
    snapshot_download(
        repo_id=repo,
        revision=revision,
        local_dir=str(root / "models" / folder),
        max_workers=4,
    )

运行前加载统一环境：

1
2
. 'D:\AI\TTS\scripts\env.ps1'
& 'D:\AI\TTS\apps\qwen3-tts\.venv\Scripts\python.exe' 'D:\AI\TTS\scripts\download-main-models.py'

这段代码是按模型版本记录整理的下载方式。本次实际下载中，CustomVoice 使用 ModelScope，Base、IndexTTS 和辅助模型通过 Hugging Face 下载后转入 Windows；最终在 Windows 端完成了 15 项主要权重及相关大文件的 SHA256 校验。

IndexTTS 还有辅助模型

IndexTTS 首次启动还会检查辅助模型。本次最终目录包含：

1
2
3
4
5
6
7
8
9
models\indextts-2.5\hf_cache\
├── w2v-bert-2.0\
│   ├── config.json
│   ├── preprocessor_config.json
│   └── model.safetensors
├── bigvgan\
│   ├── config.json
│   └── bigvgan_generator.pt
└── campplus_cn_common.bin

对应来源为 facebook/w2v-bert-2.0、nvidia/bigvgan_v2_22khz_80band_256x 和 funasr/campplus。这些文件在本次部署中提前准备；缺失时，官方程序会尝试下载。主模型目录中的 qwen0.6bemo4-merge 也已保留，用于文本情绪分析。

网页示例音频同样可能触发下载。本次把官方示例音频补齐到了 apps\index-tts\examples。因此，“主权重已经下载”并不等于所有首次运行所需文件已经准备完毕。完整断网启动未单独测试。

把输出和缓存固定下来

完成源码、依赖和模型准备后，执行一次目录配置：

1
& 'D:\AI\TTS\scripts\layout.ps1'

该脚本建立 IndexTTS 的两个 Windows 目录链接：

应用中的目录 实际保存目录
apps\index-tts\outputs outputs\index
apps\index-tts\prompts voices\index

目录链接让官方程序继续使用原有相对路径，文件实际写入统一的数据目录。备份时以根目录下的 outputs 和 voices 为准，避免重复复制。

脚本适用于首次配置。如果应用中已经存在普通的 outputs 或 prompts 目录，它会停止并报错；应先备份、整理已有数据，再建立链接。

修正 IndexTTS 覆盖缓存路径的问题

本次源码的 indextts/infer_v2_5.py 中存在如下设置：

1
os.environ['HF_HUB_CACHE'] = './checkpoints/hf_cache'

它会覆盖启动前配置好的环境变量。layout.ps1 将这一行改为：

1
os.environ.setdefault('HF_HUB_CACHE', './checkpoints/hf_cache')

这样，外部已经指定缓存路径时会保留外部配置；没有指定时才使用源码默认值。辅助模型仍按官方程序的约定放在所选模型目录下的 hf_cache 中。

保存 Qwen 音频与音色文件

run-model.py 在调用 Qwen 官方网页前，为生成函数增加自动保存：预设配音写入 outputs\qwen-customvoice，克隆配音写入 outputs\qwen-base。文件名包含时间和随机标识，减少重名覆盖。

网页保存的 Qwen 音色文件放在 voices，而不是长期依赖临时目录。它们是后续克隆时加载的 .pt 文件，不是可直接播放的音频。

测试中还遇到过 Gradio 的 InvalidPathError：文件已经写入统一目录，但网页不能返回该路径中的文件。启动脚本通过 allowed_paths 明确允许访问 voices 和 outputs 后，音色保存、重新加载和生成流程验证通过。

日常启动与使用

启动文件 用途 网页地址
启动Qwen配音.cmd 预设音色配音 http://127.0.0.1:7861
启动Qwen声音克隆.cmd 根据参考录音克隆声音 http://127.0.0.1:7861
启动IndexTTS.cmd IndexTTS 配音与情绪控制 http://127.0.0.1:7862

双击后保留命令行窗口，服务就绪后脚本会尝试打开浏览器，也可手动访问表中地址。监听地址限定为本机 127.0.0.1。

一次运行一个模型。脚本使用文件锁阻止从这三个入口同时加载多个模型；切换前在原窗口按 Ctrl+C，等待服务退出。关闭网页不会停止模型服务。

Qwen 预设配音

语言选择 Chinese，选择 Serena、Vivian 等预设音色，输入正文。控制指令可以填写：

用自然清晰的普通话讲解，语速适中。

该启动方式使用本地 CustomVoice 权重，设备为 cuda:0，数值类型为 bfloat16，关闭 FlashAttention，并将并发数限制为 1。

Qwen 声音克隆

上传参考录音，填写录音中实际说出的文本，再输入要生成的内容。需要反复使用同一音色时，通过网页保存音色文件，后续从 voices 选择并加载。

本次功能测试使用 Qwen 生成的示例声音作为参考，验证了保存和重新加载流程；真人声音相似度未测。

IndexTTS 配音

上传参考录音，语言选择 ZH（中文），输入文本，先使用默认情绪和生成参数。需要调整表达时，再逐项尝试情感参考音频或情感向量。

也可以在终端执行以下完整命令，通过运行管理脚本启动 IndexTTS：

1
powershell.exe -NoProfile -ExecutionPolicy Bypass -File "D:\AI\TTS\scripts\start.ps1" -Model index

运行管理脚本向官方网页程序传入的主要参数如下：

参数 值
--version 2.5
--model_dir D:\AI\TTS\models\indextts-2.5
--fp16 启用
--host 127.0.0.1
--port 7862
--gui_seg_tokens 80

这个版本的网页保留了 --fp16 参数名，但在 2.5 分支中，会在设备支持时选择 BF16。本次 RTX 3060 实际运行的是 BF16。参数行为以本次使用的官方网页源码为准。

RTX 3060 12GB 实测结果

三套模型逐个加载，使用同一段中文文本测试：

这段配音在本地电脑生成。每个步骤都可以单独调整，音频与字幕保持一致。

模型 模型加载 生成耗时 音频长度 PyTorch 峰值已分配显存
Qwen CustomVoice 1.7B 8.9 秒 48.0 秒 7.36 秒 4.11 GiB
Qwen Base 1.7B 12.5 秒 41.9 秒 7.28 秒 4.37 GiB
IndexTTS 2.5 40.6 秒 30.1 秒 7.02 秒 6.54 GiB

生成耗时不含模型加载时间。显存数据由 PyTorch 统计，不包含桌面和其他应用，也不等同于 nvidia-smi 显示的整张显卡占用。本次 IndexTTS 测试加载了 QwenEmotion。

这是一组单段测试，没有重复测量取平均值，也没有测试长文章连续生成。三种方式在这组配置下生成整段音频所花时间都长于音频自身时长，适合提前制作配音；这些结果不能用于推断流式首包延迟。

另外通过网页接口完成了以下验证：

  • Qwen 预设配音生成，并自动保存到统一输出目录。
  • Qwen 音色保存到 voices，重新加载后继续生成。
  • IndexTTS 上传参考音频、生成并保存到 outputs\index。
  • 第二个模型通过启动脚本启动时，被运行锁拦截。

生成文件已检查可解码、非空、数值有效。未执行人工试听、逐字听写评估或桌面浏览器点击测试，不能把文件生成成功等同于读音和音质已经逐项验收。

使用与维护

长讲稿按句子或分镜分段生成，单独检查多音字、数字、英文缩写和停顿。先生成短句确认音色与表达，再扩大文本长度，更便于发现问题和重新生成。

日常重点保留 voices、outputs、模型和运行配置。临时压缩包可在安装完成后清理，依赖下载缓存可保留以便修复环境。发生报错时，先查看 logs 中最近的模型日志；显存不足时可通过 nvidia-smi 检查当前占用。

备份整个目录便于保存模型与数据，但移动目录或换电脑后，Python 虚拟环境和 Windows 目录链接需要重新建立。源码升级前也应记录现有提交与软件包版本，并重新检查缓存路径修改、网页参数和输出保存行为。