阿里通义千问 3-TTS 是一体化引擎，可根据你的设置自动选择并下载对应的模型，无需手动管理模型文件。
4 种模型类型
🎭 定制音色（CustomVoice）—— 预设发言人 内置 9 个多语种发言人：Vivian、Serena、傅叔（Uncle_Fu）、Dylan、Eric、Ryan、Aiden、小野安娜（Ono_Anna）、Sohee 提供 0.6B、1.7B 两种模型参数量版本 支持风格指令（例如：“语气欢快地说话”、“听起来专业沉稳”） 通过 [角色名] 切换角色，会自动映射到这 9 个预设发言人之一
🎨 音色生成（VoiceDesign）—— 通过文本创建音色 用文字描述音色，模型可即时生成 示例：“一位开朗年轻女性，音色清亮有活力” 仅 1.7B 版本可用 可在音色描述的同时附加风格指令 生成的音色会缓存至本地磁盘，跨会话可重复使用
🎤 基础版（Base）—— 零样本语音克隆 使用 3–30 秒参考音频即可克隆任意人声 提供 0.6B、1.7B 两种模型参数量版本 ⚠️ 不支持风格指令：该模式下指令字段会被忽略 两种克隆模式：
- ICL 模式（默认，音质最佳）：同时使用参考音频 + 参考文本。模型把参考文本作为上下文学习素材，更好复刻人声。推荐搭配🎭角色音色节点使用，该节点会同时提供音频与文本。
- X-Vector 模式：仅依靠音频提取说话人特征向量，无需文本。速度更快，但音质较差。
🔤 语音转文字（ASR） 搭配 ✏️统一语音转录节点使用 将音频转写为文本，支持可选强制文本对齐
技术规格
🌍 支持 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 📏 两种模型规模：0.6B、1.7B（音色生成 VoiceDesign 仅 1.7B） ⚡ 注意力机制：eager、flash_attention_2、sdpa、sage_attn 🔧 生成参数：温度（temperature）、top_k、top_p、重复惩罚（repetition_penalty） ⚡ torch.compile：可选，约 1.7 倍加速（要求 PyTorch 2.10 及以上版本）
统一通用能力
兼容全部 TTS 音频套件功能：角色切换、语种切换、停顿标签 [pause:1s]、SRT 时间轴、Step Audio EditX 后期编辑。
⚠️ 重要限制：风格指令仅部分模型生效
表格
| 模型 | 风格指令支持情况 |
|---|---|
| CustomVoice（定制音色） | ✅ 支持 |
| VoiceDesign（音色生成） | ✅ 支持 |
| Base（语音克隆） | ❌ 不支持 |
| ASR 语音转写 | ❌ 不适用 |
如果你需要控制朗读风格（情绪、语调、语速），请使用定制音色或文本生成音色。语音克隆模式无法接收风格指令。
Qwen3-TTS 性能优化
torch.compile（约 1.7 倍推理加速）
在 Qwen3-TTS 引擎节点中开启： use_torch_compile → True compile_mode → default（推荐，Windows 与 Linux 均可运行） use_cuda_graphs → False（开启 torch.compile 时该项冗余）
重点提示：开启后的首次生成速度很慢（编译耗时约 30–60 秒），后续生成速度很快；编译后的内核会跨会话缓存。
注意力模式
attn_implementation 参数用来切换注意力后端：
- sdpa — 通用默认选项，兼容性最好
- flash_attention_2 — 速度最快，需要匹配的显卡与驱动
- eager — 速度最慢，兜底兼容方案
- sage_attn — 另一款高速注意力实现
torch.compile 环境要求
PyTorch 2.10.0+，CUDA 13.0 triton 3.6.0+（Windows 系统使用 triton-windows） 推荐 Python 3.12
⚠️ reduce-overhead 和 max-autotune 编译模式在 Windows 会报错（cudaMallocAsync 异常），请使用 default 默认模式。
📖 完整部署指南，含安装命令、故障排查与性能基准测试：docs/qwen3_tts_optimizations.md
术语注释（保持插件开发习惯，方便你直接放进文档）
- Speaker：发言人 / 音色
- Style instructions：风格指令
- Zero-Shot Voice Cloning：零样本语音克隆
- In-context Learning (ICL)：上下文学习
- Speaker embedding：说话人特征向量
- Forced alignment：强制时间对齐
- Attention backend：注意力后端
- repetition_penalty：重复惩罚
- disk-cached：磁盘缓存
直接使用生成的定制音色
通过 🎨 音色设计（Voice Designer）节点生成音色后，有两种使用方式：
方案 1 — 用作旁白音色（同一次工作流运行，无需刷新）
将音色设计节点的 NARRATOR_VOICE 输出端，直接连接到 TTS Text/SRT 节点的 narrator_voice 输入端。 生成好的音色会立刻作为主旁白音色生效。
方案 2 — 命名角色音色，通过标签 [tag] 调用
使用 💾 保存角色音色（Save Character Voice）节点，将音色以你指定的名称保存到角色文件夹。保存完成后，就可以在文本内用角色切换标签调用该音色：
[new_voice_bob] 你好，我是鲍勃。[narrator] 而我是旁白。
限制说明：新保存的音色需要刷新角色文件夹后才能被识别。如果你连续运行两次工作流，第二次运行时会自动加载该音色。 如果需要同一次运行内直接使用，请搭配 ♻️ 刷新音色缓存（Refresh Voice Cache）节点。
术语对照（适配 ComfyUI 插件文档）
- Designed Voice：定制生成音色
- Narrator：旁白
- character switching tags：角色切换标签
- character folder：角色音色目录
- Refresh Voice Cache：刷新音色缓存
🎭 Step Audio EditX 参考音频使用提示
- 你可以将「加载音频核心（Load Audio Core）」节点输出的任意音频，直接接入 🎭角色音色（Character Voices）节点，并手动填入转写文本，以此实现零样本语音克隆。
- 类似 F5 这类 Step Audio EditX 工具需要同时提供音频与参考文本。通过 🎭角色音色（Character Voices）载入的任意角色，都必须同时具备这两个所需文件。
术语对照
- Reference Audio：参考音频
- zero-shot voice cloning：零样本语音克隆
- transcription：转写文本 / 参考文本
🎭 Step Audio EditX 参考音频使用提示
- 你可以将「加载音频核心（Load Audio Core）」节点输出的任意音频，直接接入 🎭角色音色（Character Voices）节点，并手动填入转写文本，以此实现零样本语音克隆。
- 类似 F5 这类 Step Audio EditX 工具需要同时提供音频与参考文本。通过 🎭角色音色（Character Voices）载入的任意角色，都必须同时具备这两个所需文件。
术语对照
- Reference Audio：参考音频
- zero-shot voice cloning：零样本语音克隆
- transcription：转写文本 / 参考文本
