Files

T

SoundGame Dev f0f0a9b50e 初始提交：3 款纯音频游戏 + 共享引擎 + 完整文档与资产管线

- 共享引擎（app/src/main）：GestureEngine 6 手势识别、AudioEngine 三层音频
  （ExoPlayer BGM 交叉淡入 / 对白 ducking / SoundPool 低延迟）、Game/GameEngine
  状态机接口、MainActivity 全屏封面 + TalkBack
- 《声命线》storyline：末世互动广播剧，3 幕 8 抉择点 4 结局
- 《声东击西》reflex：听声辨位反应，12 波战斗 + BGM 三档 BPM 变速
- 《暗室》escape：3x3 网格密室逃脱，钥匙→铁柜→保险丝→电箱→大门谜题链
- 文档：setup（从零搭建）/ architecture（架构）/ engine-api（引擎 API）/
  asset-pipeline（资产流水线）/ games/*（三款游戏设计文档）
- 资产管线：Qwen3-TTS 对白 + 程序合成音效/BGM + Mureka BGM 的 gen 脚本与台账，
  全部 ogg 资产入库可复现
- env.d 环境脚本：android/tts 入库；sfx/mureka 含密钥不入库，仅提交 .example.sh 模板

2026-08-29 13:00:34 +08:00

3.2 KiB

Raw Permalink Blame History

Qwen3-TTS 本地对白生成环境使用说明

环境位置

虚拟环境：/home/ubuntu/SoundGame/.venv-tts（Python 3.12.14，uv 创建）
关键包：torch 2.11.0+cu128、torchaudio 2.11.0+cu128、qwen-tts 0.1.1、soundfile、transformers 4.57.3
模型缓存：/home/ubuntu/SoundGame/models/hf（HF_HOME）
- Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice（预置音色 + 情感指令，主力）
- Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign（文字描述造音色）
- Qwen/Qwen3-TTS-Tokenizer-12Hz（语音编解码器，上面两个模型自带副本，这个是独立的）

启用环境

source /home/ubuntu/SoundGame/env.d/tts.sh   # 设置 HF_HOME / HF_ENDPOINT(hf-mirror 镜像)
source /home/ubuntu/SoundGame/.venv-tts/bin/activate

注意：本机连不通 huggingface.co，必须走 HF_ENDPOINT=https://hf-mirror.com（tts.sh 已设好）。

生成对白（CustomVoice：预置音色 + 情感指令）

import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
    device_map="cuda:0",
    dtype=torch.bfloat16,
)
wavs, sr = model.generate_custom_voice(
    text="快躲开！它来了！",
    language="Chinese",
    speaker="Vivian",
    instruct="用惊恐、急促的语气大声喊出来",   # 不需要情感控制时省略
)
sf.write("out.wav", wavs[0], sr)   # sr = 24000

支持批量：text/language/speaker/instruct 均可传等长 list。可透传 HF generate 参数，如 max_new_tokens=2048。

VoiceDesign（文字描述造音色）

model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign",
    device_map="cuda:0", dtype=torch.bfloat16,
)
wavs, sr = model.generate_voice_design(
    text="哥哥，你回来啦！",
    language="Chinese",
    instruct="撒娇稚嫩的萝莉女声，音调偏高且起伏明显",
)

预置音色查询

代码查询：

model.get_supported_speakers()   # ['aiden','dylan','eric','ono_anna','ryan','serena','sohee','uncle_fu','vivian']
model.get_supported_languages()  # auto/chinese/english/french/german/italian/japanese/korean/portuguese/russian/spanish

中文对白推荐音色（母语中文）：

speaker	描述
Vivian	明亮略带锋芒的年轻女声
Serena	温暖柔和的年轻女声
Uncle_Fu	低沉醇厚的中年男声
Dylan	北京话年轻男声
Eric	四川话活泼男声，略带沙哑

（其余：Ryan/Aiden 英语男声，Ono_Anna 日语女声，Sohee 韩语女声）

冒烟测试

/home/ubuntu/SoundGame/.venv-tts/bin/python /home/ubuntu/SoundGame/tools/tts_smoke_test.py
# 输出 /home/ubuntu/SoundGame/tools/samples/tts_test.wav（实测 1.92s, 24kHz）

Web UI（可选）

qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --ip 0.0.0.0 --port 8000

已知事项

未装 flash-attn（可选加速，编译耗时长；RTX 3090 24GB 不装也完全够用，加载+生成一句仅十几秒）。
系统无 sox 命令行二进制（无 sudo 装不了），qwen-tts 会打印警告但不影响生成；只有用到 sox 音频处理链路时才需要它。
显存占用：1.7B 模型 bf16 推理远低于 24GB，充足。

3.2 KiB Raw Permalink Blame History Unescape Escape