Tutorial Qwen3-TTS: text-to-speech e voice cloning gratis

Tre righe di codice. Tre secondi di audio. Ed ecco una voce sintetica che parla 10 lingue, italiano compreso, con una qualità che fa impallidire i servizi a pagamento. Qwen3-TTS è open source, gira sul tuo PC e non manda un solo byte nel cloud. Ecco come installarlo e usarlo in 15 minuti.

Qwen3-TTS: il text-to-speech che cambia le regole

A gennaio 2026, il team Qwen di Alibaba ha rilasciato Qwen3-TTS: un sistema text-to-speech open source che fa tre cose che fino a ieri richiedevano servizi cloud da centinaia di euro al mese.

Voice cloning — clona qualsiasi voce da soli 3 secondi di audio di riferimento
Voice design — crea voci dal nulla descrivendo come devono suonare in linguaggio naturale
Generazione multilingue — parla in 10 lingue (cinese, inglese, italiano, giapponese, coreano, tedesco, francese, russo, portoghese, spagnolo) con latenza di 97 millisecondi

Licenza Apache 2.0 — significa che puoi usarlo anche a fini commerciali, gratis, senza vincoli. Addestrato su 5 milioni di ore di audio, batte la concorrenza nei benchmark WER (Word Error Rate) su tutte e 10 le lingue, con una speaker similarity media di 0.789 sul voice cloning multilingue (superiore a ElevenLabs con 0.75 e MiniMax con 0.72). In parole povere: le voci clonate sono quasi indistinguibili dall'originale.

Cosa ti serve: low-end vs high-end

Qwen3-TTS ha due varianti, e la differenza non è solo di qualità — è di cosa puoi fare. Ecco la mappa completa per capire dove cadi.

Glossario: cosa significano questi termini

Se è la prima volta che metti mano a un modello AI, ecco i termini che incontrerai in questa guida:

VRAM — la memoria della scheda grafica (GPU). Non è la RAM del PC: è una memoria dedicata, più veloce, che si trova sulla scheda video. I modelli AI vivono qui durante l'esecuzione. La tua GPU ne ha una quantità fissa (es. 4 GB su una Quadro T2000, 12 GB su una RTX 3060) e non puoi ampliarla.

float16 / float32 / bfloat16 — sono formati numerici che indicano quanta precisione usa il modello per i calcoli. float32 è il più preciso (e pesante: usa il doppio della VRAM). float16 dimezza la VRAM ma può generare errori numerici su alcune GPU. bfloat16 è un compromesso ideale, ma funziona solo su GPU recenti (RTX 3000 in su). Regola pratica: se hai una GPU vecchia (GTX 10xx, 16xx, Quadro T-series), usa float32.

device_map — dice a PyTorch dove caricare il modello. "cuda:0" = tutto nella GPU (veloce, ma deve starci). "auto" = PyTorch decide da solo come dividere tra GPU e RAM di sistema (più lento, ma gestisce GPU con poca VRAM). "cpu" = tutto nella RAM, senza GPU (lentissimo ma funziona sempre).

CUDA — è il sistema di NVIDIA che permette ai programmi di usare la GPU per calcoli. Richiede: 1) una GPU NVIDIA, 2) i driver installati, 3) PyTorch compilato con supporto CUDA. Senza CUDA il modello gira solo su CPU.

nvidia-smi — un comando che mostra lo stato della GPU: modello, VRAM totale, VRAM usata, driver installati. Se questo comando non funziona, i driver non sono installati.

venv — un ambiente Python isolato. Crea una cartella con una copia separata di Python e dei pacchetti installati, così non sporchi il sistema. Lo crei con python3 -m venv nomecartella e lo attivi con source nomecartella/bin/activate.

Config LOW-END (GPU 4-6 GB VRAM)

GPU: GTX 1060 6GB, GTX 1650, Quadro T2000 (4 GB), o simili
Modello: 0.6B (scarica ~2.5 GB) — CustomVoice + Base (voice cloning). NOTA: il parametro instruct (tono, emozioni) è ignorato, la voce sarà corretta ma piatta
VoiceDesign (crea voci dal nulla): NON disponibile in 0.6B — serve il 1.7B o Google Colab
dtype: torch.float32 + device_map: "auto" (float16 causa errori NaN su GPU Turing/Pascal)
RAM di sistema: 16 GB consigliati
Velocità: generazione in 5-15 secondi per frase

Config HIGH-END (GPU 8+ GB VRAM)

GPU: RTX 3060 12GB, RTX 3070, RTX 4060 8GB, RTX 4090 24GB, o simili
Modello: 1.7B (scarica ~4.5 GB) — CustomVoice + Base + VoiceDesign (tutte le funzioni, incluso instruct per controllare tono ed emozioni)
dtype: torch.bfloat16 (Ampere e successivi) o torch.float16 (Turing)
RAM di sistema: 16-32 GB
Velocità: generazione in 1-5 secondi per frase

Step 0: Verifica che la GPU funzioni

Prima di installare qualsiasi cosa, verifica che i driver NVIDIA siano attivi. Apri un terminale e scrivi:

bash

nvidia-smi

Se vedi una tabella con il nome della tua GPU e la VRAM, sei a posto — salta al passo successivo. Se invece ricevi "comando non trovato", devi installare i driver.

Installazione driver su Fedora

bash

# Abilita RPM Fusion (se non lo hai già)
sudo dnf install https://mirrors.rpmfusion.org/free/fedora/rpmfusion-free-release-$(rpm -E %fedora).noarch.rpm https://mirrors.rpmfusion.org/nonfree/fedora/rpmfusion-nonfree-release-$(rpm -E %fedora).noarch.rpm

# Installa driver NVIDIA + CUDA
sudo dnf install akmod-nvidia xorg-x11-drv-nvidia-cuda

# Aspetta 2-3 minuti che il modulo kernel venga compilato, poi riavvia
sudo reboot

Installazione driver su Ubuntu/Debian

bash

sudo apt update
sudo apt install nvidia-driver-560 nvidia-cuda-toolkit
sudo reboot

Dopo il riavvio, rilancia nvidia-smi. Devi vedere qualcosa tipo:

text

+-----------------------+
| NVIDIA-SMI 560.xx     |
| Driver Version: 560.xx|
|   Quadro T2000  4GB   |
+-----------------------+

Step 1: Installazione (5 minuti)

Apri il terminale e crea un ambiente Python isolato. Usiamo venv, che è incluso in Python — non devi installare nulla di extra. Se preferisci Conda (un gestore di ambienti più avanzato, scaricabile da conda.io), funziona ugualmente.

bash

# Crea un ambiente Python isolato (venv è incluso in Python, zero installazioni extra)
# Usa Python 3.12 o 3.13 — la 3.14 è troppo recente e può dare problemi
# Su Fedora: sudo dnf install python3.12
# Su Ubuntu/Debian: sudo apt install python3.12 python3.12-venv
python3.12 -m venv qwen-tts          # oppure python3.13, ma NON python3.14
source qwen-tts/bin/activate          # Windows: qwen-tts\Scripts\activate

# Installa Qwen3-TTS (una riga, tutto incluso)
pip install -U qwen-tts

Serve anche SoX (Sound eXchange), un tool audio di sistema usato internamente dal modello per processare i file audio:

bash

# Su Fedora/RHEL:
sudo dnf install sox

# Su Ubuntu/Debian:
sudo apt install sox

# Su macOS:
brew install sox

Questo è tutto. Il pacchetto qwen-tts installa tutte le dipendenze: PyTorch, Transformers, soundfile. Se hai una GPU compatibile e vuoi spremere le massime prestazioni, puoi aggiungere FlashAttention2. Ma attenzione: richiede il CUDA Toolkit completo installato sul sistema (non basta PyTorch). Se il comando fallisce, salta pure — Qwen3-TTS funziona perfettamente anche senza.

bash

# Opzionale: FlashAttention2 (velocità +30-40%)
# RICHIEDE il CUDA Toolkit completo (nvcc). Se non lo hai, SALTA questo step.
# Su Fedora/RHEL: sudo dnf install cuda-toolkit
# Su Ubuntu/Debian: sudo apt install nvidia-cuda-toolkit
# Qwen3-TTS funziona benissimo anche senza.
pip install -U flash-attn --no-build-isolation

Step 2: Genera il tuo primo audio

python

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# === SCEGLI LA TUA CONFIG ===
# LOW-END (GPU 4-6 GB): usa 0.6B + float32 + auto (spalma tra GPU e RAM)
model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
    device_map="auto",
    dtype=torch.float32,
)

# HIGH-END (GPU 8+ GB): decommenta queste righe e commenta quelle sopra
# model = Qwen3TTSModel.from_pretrained(
#     "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
#     device_map="cuda:0",
#     dtype=torch.bfloat16,
# )

# Genera audio con voce preimpostata
wavs, sr = model.generate_custom_voice(
    text="Ciao, sono una voce generata da Qwen3-TTS. "
         "Giro interamente sul tuo computer, senza cloud.",
    language="Italian",
    speaker="Ryan",
    # instruct="Speak calmly and clearly.",  # NOTA: ignorato dal 0.6B, funziona solo col 1.7B
)

sf.write("primo_audio.wav", wavs[0], sr)
print("Audio salvato: primo_audio.wav")

Esegui con python demo_base.py (NON bash demo_base.py — è Python, non bash!). Apri primo_audio.wav con il tuo player audio. La qualità è da servizio premium.

Le voci disponibili includono Ryan (maschile, dinamica, inglese nativo), Vivian (femminile, brillante, cinese nativo), Serena (femminile, calda, cinese), Aiden (maschile, solare, americano) e altre. L'italiano non ha una voce nativa dedicata, ma Ryan e Aiden gestiscono bene l'italiano grazie al training multilingue.

Step 3: Crea una voce dal nulla (Voice Design)

Ed è qui che la magia si fa seria. Il modello VoiceDesign ti permette di inventare voci che non esistono semplicemente descrivendole a parole. Vuoi un baritono con accento caldo? Una voce giovane ed energica? Basta chiederlo.

A differenza di altri sistemi TTS, Qwen3-TTS non supporta SSML (il linguaggio a tag per controllare pause e intonazione). Usa invece il parametro instruct, che accetta istruzioni in linguaggio naturale: "Speak with enthusiasm and warmth", "Read slowly with dramatic pauses", "Sound like a tired person at the end of a long day". Funziona sorprendentemente bene — ma solo col modello 1.7B. Col 0.6B il parametro viene silenziosamente ignorato.

python

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign",
    device_map="cuda:0",
    dtype=torch.bfloat16,
)

# Descrivi la voce che vuoi — in linguaggio naturale!
wavs, sr = model.generate_voice_design(
    text="Benvenuti nel mio canale. Oggi parliamo di "
         "intelligenza artificiale e di come sta cambiando tutto.",
    language="Italian",
    instruct="Deep warm male voice, calm and authoritative, "
             "like a podcast host. Medium pace, clear diction.",
)

sf.write("voce_podcast.wav", wavs[0], sr)
print("Voce podcast generata!")

Qualche esempio di prompt per il voice design che funzionano bene:

"Young energetic female voice, bright and cheerful, like a tech YouTuber" — perfetta per video tutorial
"Deep authoritative male voice, slow pace, BBC newsreader style" — ideale per podcast o narrazione
"Warm friendly female voice, conversational tone, slight smile" — ottima per assistenti virtuali
"Dramatic male voice, theatrical, with emphasis and pauses" — per trailer o presentazioni

Step 4: Clona una voce reale (3 secondi bastano)

La funzionalità più potente — e più controversa. Con il modello Base puoi clonare qualsiasi voce a partire da un campione audio di soli 3 secondi. La voce sintetica manterrà timbro, ritmo e caratteristiche dell'originale.

python

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# === SCEGLI LA TUA CONFIG ===
# LOW-END (GPU 4-6 GB):
model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-0.6B-Base",
    device_map="auto",
    dtype=torch.float32,
)
# HIGH-END (GPU 8+ GB): usa "Qwen/Qwen3-TTS-12Hz-1.7B-Base" con device_map="cuda:0" e dtype=torch.bfloat16

# Audio di riferimento (min 3 secondi) + trascrizione
ref_audio = "./mia_voce_campione.wav"
ref_text = "Questo è un esempio della mia voce reale."

# Genera nuovo audio con la voce clonata
wavs, sr = model.generate_voice_clone(
    text="Questo testo viene letto con la mia voce clonata. "
         "Incredibile, vero? E gira tutto in locale.",
    language="Italian",
    ref_audio=ref_audio,
    ref_text=ref_text,
)

sf.write("voce_clonata.wav", wavs[0], sr)
print("Voce clonata generata!")

Il parametro ref_text è la trascrizione di quello che viene detto nel campione audio. Più è precisa, migliore sarà il risultato. Il campione audio ideale è tra 3 e 10 secondi, con voce chiara e senza rumore di fondo.

Se devi generare molte frasi con la stessa voce clonata, puoi creare un prompt riutilizzabile per evitare di rielaborare l'audio ogni volta:

python

# Crea il prompt una volta sola
prompt = model.create_voice_clone_prompt(
    ref_audio="./mia_voce_campione.wav",
    ref_text="Questo è un esempio della mia voce reale.",
)

# Riutilizzalo per generare quante frasi vuoi
testi = [
    "Prima frase del mio podcast.",
    "Seconda frase con la stessa voce.",
    "Terza frase, sempre io!",
]

for i, testo in enumerate(testi):
    wavs, sr = model.generate_voice_clone(
        text=testo,
        language="Italian",
        voice_clone_prompt=prompt,
    )
    sf.write(f"clone_{i}.wav", wavs[0], sr)

print(f"Generati {len(testi)} file audio!")

La concorrenza: chi paga e chi regala

Per mettere le cose in prospettiva, ecco quanto costa la stessa cosa con i servizi cloud:

ElevenLabs: da 5$ a 99$/mese, voice cloning dal piano da 22$/mese in su. E si tengono una licenza perpetua sulla tua voce.
OpenAI TTS: integrato nell'API, 15$/milione di caratteri. Nessun voice cloning.
Google Cloud TTS: 4$/milione di caratteri per le voci Neural. Voice cloning solo enterprise.
Qwen3-TTS: 0€. Per sempre. Voice cloning incluso. Gira sul TUO hardware.

Sul fronte delle prestazioni, i benchmark parlano chiaro: Qwen3-TTS ha il WER più basso su tutte e 10 le lingue rispetto ai modelli concorrenti, una speaker similarity di 0.95 nel voice cloning (dove 1.0 è identico all'originale) e un punteggio UTMOS di 4.16 su 5 per la naturalezza percepita. Numeri da servizio premium, a costo zero.

Tips per ottenere il massimo

Usa FlashAttention2 — velocizza la generazione del 30-40% senza perdita di qualità
Per il voice cloning, registra il campione audio in un ambiente silenzioso con un microfono decente. Anche quello dello smartphone va bene, purché senza eco o rumori
Le istruzioni di voice design in inglese producono risultati migliori, anche per output in italiano
Il modello 0.6B è sorprendentemente buono per uso conversazionale. Usa il 1.7B solo quando serve qualità massima
Per produzione, genera in batch: il modello supporta array di testi e produce tutti gli audio in una sola chiamata
Se vuoi un server API locale, lancia il modello con FastAPI o Flask e richiamalo da qualsiasi app della tua rete domestica

La questione etica (sì, dobbiamo parlarne)

Un sistema che clona voci in 3 secondi è uno strumento potentissimo. Anche pericoloso. Le truffe vocali basate su AI stanno esplodendo: un adulto su quattro, secondo uno studio globale, ha già ricevuto una chiamata con voce clonata. Usare questa tecnologia per impersonare qualcuno senza consenso è illegale in Italia e nella maggior parte dei Paesi europei.

Il motivo per cui vale la pena conoscere Qwen3-TTS non è per fare scherzi telefonici, ma per tre ragioni concrete: accessibilità (dare una voce a chi l'ha persa), content creation (podcast, video, audiolibri senza registrare ore di audio), e consapevolezza (capire quanto sia facile clonare una voce ti rende più difficile da fregare).

Il verdetto

Qwen3-TTS è il momento in cui il text-to-speech di qualità professionale ha smesso di essere un privilegio delle Big Tech e si è trasferito nel tuo salotto. Alibaba ha regalato al mondo un sistema che rivaleggia con servizi da centinaia di euro al mese, gira su una GPU da gaming e non ha bisogno di internet.

OpenAI, ElevenLabs e Google Cloud continuano a vendere TTS come servizio premium. Nel frattempo, con pip install qwen-tts e tre righe di Python hai lo stesso risultato. Gratis. In locale. Per sempre.

Il futuro della voce sintetica non è nel cloud. È nella tua scheda grafica.

Fonti

GitHub — Qwen3-TTS (repo ufficiale) · Qwen Blog — Qwen3-TTS Family Open Source · DEV Community — Qwen3-TTS Revolution 2026 · BentoML — Best Open Source TTS Models 2026 · Hugging Face — Qwen3-TTS Models

Clona qualsiasi voce con 3 righe di Python: tutorial Qwen3-TTS

Articoli Correlati

Manychat, il bot da $47k al mese che Meta finge di non vedere

Sicilia Tech: 5 miliardi di ambizioni, 714 startup e una domanda scomoda

Commenti (0)

Resta Aggiornato

Oasi Digitale Ragusa: Silicon Valley iblea o aggregazione di facciata?

Qwen3-TTS: il text-to-speech che cambia le regole

Cosa ti serve: low-end vs high-end

Glossario: cosa significano questi termini

Config LOW-END (GPU 4-6 GB VRAM)

Config HIGH-END (GPU 8+ GB VRAM)

Step 0: Verifica che la GPU funzioni

Installazione driver su Fedora

Installazione driver su Ubuntu/Debian

Step 1: Installazione (5 minuti)

Step 2: Genera il tuo primo audio

Step 3: Crea una voce dal nulla (Voice Design)

Step 4: Clona una voce reale (3 secondi bastano)

La concorrenza: chi paga e chi regala

Tips per ottenere il massimo

La questione etica (sì, dobbiamo parlarne)

Il verdetto

Fonti