Kostenlose KI-Voiceovers mit Qwen3-TTS in ComfyUI: 9 Stimmen, Voice Design und Klonen

Status: Lokal getestet. Alle vier Workflows laufen auf meinem lokalen RTX-3080-Laptop. Ein erster Start auf einem echten RunPod-Pod ist noch nicht verifiziert; ich aktualisiere diesen Leitfaden, sobald er es ist.

Talking Avatars, Erklärvideos und Spieldialoge brauchen alle ein Voiceover. Qwen3-TTS vom Qwen-Team von Alibaba ist ein offenes Text-to-Speech-Modell mit neun eingebauten Stimmen, Voice Design aus einer schriftlichen Beschreibung und Stimmklonen. Ich habe ein Template gebaut, das es in ComfyUI ausführt, hauptsächlich um Voiceovers für meine Avatar-Videos zu erstellen.

ComfyUI hat keine eigenen Qwen3-TTS-Nodes, daher enthält das Template ein kleines Node-Paket, das Qwens offizielles Paket qwen-tts ansteuert. In der Seitenleiste findest du vier Workflows, jeder mit funktionierenden Standardwerten, sodass der erste Durchlauf keine Eingabe braucht. Alles liegt auf GitHub.

Kurz gefasst

Quelloffen: Die Modelle stehen unter Apache-2.0, was kommerzielle Nutzung erlaubt.
9 eingebaute Stimmen, die jeweils 10 Sprachen sprechen.
Eine Stimme entwerfen aus einer Beschreibung oder klonen aus einer Aufnahme von 3–20 Sekunden.
Skripte beliebiger Länge, automatisch geteilt und wieder zusammengefügt.
Läuft auf jeder GPU mit 8 GB+. Etwa 13,6 GB Modelle; nimm ein Volume mit 40 GB.

Die 9 eingebauten Stimmen

Stimme	Muttersprache	Charakter
Ryan	Englisch	Dynamischer Mann, starker Rhythmus
Aiden	Englisch	Sonniger Amerikaner, klare Mittellage
Vivian	Chinesisch	Helle, leicht freche junge Frau
Serena	Chinesisch	Warme, sanfte junge Frau
Uncle_Fu	Chinesisch	Erfahrener Mann, tief und weich
Dylan	Chinesisch (Peking)	Jugendlicher Mann aus Peking
Eric	Chinesisch (Sichuan)	Lebhafter Mann aus Chengdu, leicht rau
Ono_Anna	Japanisch	Verspielte Frau, leicht und flink
Sohee	Koreanisch	Warme Frau, reich an Emotion

Jede Stimme spricht alle zehn unterstützten Sprachen (Englisch, Chinesisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch) und klingt in ihrer Muttersprache am besten. Du kannst jede mit einer Stilanweisung lenken.

Das Template enthält einen Voice Pool: einen Referenzclip jeder eingebauten Stimme mit ihrem exakten Transkript, insgesamt 16 Clips, in ComfyUI/input/voices/. Höre sie dir in JupyterLab an, um eine Stimme auszuwählen, bevor du etwas renderst.

Die vier Workflows

Workflow	Modell	Was er tut
1. Eingebaute Stimme	CustomVoice	Eine der neun Stimmen liest dein Skript, in der Sprache und im Stil deiner Wahl
2. Voice Design	VoiceDesign	Beschreibe eine Stimme („eine ruhige, warme Erzählerin in ihren Dreißigern“). Sie spricht eine Probe und speichert sie im Voice Pool
3. Voice Clone	Base	Jede Stimme im Pool liest dein ganzes Skript, von Anfang bis Ende konsistent
4. Eigene Stimme hinzufügen	Keines	Fügt deine eigene Aufnahme und ihr Transkript dem Voice Pool hinzu

Die Workflows 2, 3 und 4 arbeiten über den Voice Pool zusammen: Entwirf eine Stimme oder füge deine eigene Aufnahme hinzu, und sie landet im Pool; dann liest der Clone-Workflow dein vollständiges Skript in dieser Stimme. Das fertige Voiceover wird als .wav und .mp3 in output/voiceover/ gespeichert und lässt sich direkt am Save-Node abspielen.

Skripte beliebiger Länge

Ein einzelner Qwen3-TTS-Aufruf ist auf 2.048 Codec-Frames begrenzt, etwa 2,5 Minuten Sprache, und lange einzelne Aufrufe driften im Tempo. Deshalb macht das Template Folgendes:

Es schneidet das Skript in Teile von höchstens 400 Zeichen, immer an einer Satz- oder Absatzgrenze.
Es rendert jeden Teil mit derselben Stimme und demselben Seed.
Es fügt sie mit 0,25 Sekunden Pause zwischen Sätzen und 0,6 Sekunden nach einem Absatz (einer Leerzeile in deinem Skript) zusammen.

Eine entworfene Stimme für ein langes Skript: Voice Design rendert jeden Teil aus der Beschreibung, daher kann sich die Stimme zwischen den Teilen leicht verschieben. Die Lösung, und der von Qwen empfohlene Weg, ist, mit Workflow 2 eine kurze Probe zu entwerfen und sie dann mit Workflow 3 für das ganze Skript zu klonen.

Deine eigene Stimme: Nimm 3–20 Sekunden saubere Sprache auf, tippe genau ab, was du gesagt hast, und füge beides mit Workflow 4 hinzu. Klone nur Stimmen, deren Nutzung dir zusteht.

Hardware und Kosten

Jedes der drei 1,7B-Modelle braucht etwa 4 GB VRAM, und es ist immer nur eines geladen, sodass jede GPU mit 8 GB oder mehr funktioniert. Sprache wird Token für Token erzeugt, daher hilft eine schnellere GPU hier weniger als bei Video.

Auf meinem RTX-3080-Laptop wurde der Voice Pool mit etwa 5 Sekunden pro Sprachsekunde gerendert. Eine Desktop- oder Rechenzentrums-GPU ist um ein Mehrfaches schneller.
Auf RunPod reicht eine RTX A5000 für 0,27 $/Std. völlig. Es gibt keinen Grund, dafür eine RTX 5090 zu bezahlen.
Speicher: Die drei Modelle belegen etwa 13,6 GB. Ein Network Volume mit 40 GB kostet bei Standardspeicher etwa 2,80 $ im Monat.

Auf RunPod ausführen

Lege ein Network Volume mit 40 GB an. Das Template läuft ohne eines nicht, damit deine Modelle und Stimmen zwischen den Sitzungen erhalten bleiben.
Stelle das Template auf einer GPU mit 8 GB+ bereit, mit angehängtem Volume.
Beobachte die Logs beim ersten Start. Du wartest auf Voice pool: 16 clips, die Modell-Downloads und dann Setup complete!
Öffne ComfyUI (Port 8188) und wähle in der Workflows-Seitenleiste einen Workflow.
Nutze JupyterLab (Port 8888), um den Voice Pool anzuhören und deine Voiceovers herunterzuladen.

Spätere Starts überspringen alles, was schon installiert ist. Wenn Network Volumes und Pods neu für dich sind, führt dich meine Einführung in RunPod durch die Grundlagen.

Sicherheitshinweis: JupyterLab läuft standardmäßig ohne Login, sodass jeder mit der URL des Pods eine Shell bekommt. Setze für Kundenarbeit beim Bereitstellen JUPYTER_NO_AUTH=0 und ein JUPYTER_PASSWORD.

Für Template-Entwickler

Wenn du dein eigenes RunPod-Template baust, statt dieses zu nutzen, sind hier einige Details aus dem Repository, die am meisten Zeit gekostet haben:

Das Basis-Image ist runpod/comfyui:1.4.0-comfyuiv0.35.0-cuda12.8, mit einer 5-GB-Container-Disk und dem Network Volume unter /workspace.
qwen-tts 0.1.1 lässt sich mit transformers 5.x, das das Image mitbringt, nicht importieren. Das Template pinnt transformers 4.57.3 in ComfyUIs Umgebung und prüft das bei jedem Start.
Der Startbefehl prüft DNS für GitHub und Hugging Face, weicht bei Bedarf auf öffentliche Resolver aus und wiederholt den Clone bis zu zehnmal.

Neu bei RunPod? Mein Empfehlungslink gibt neuen Konten, die sich mit Google anmelden, nach ihren ersten 10 $ ein Guthaben von 5–500 $, und ich bekomme eine kleine Provision.

Credits: Qwen3-TTS vom Alibaba-Qwen-Team, Apache-2.0. Template, Nodes und Workflows von mir, kostenlos auf GitHub.

Häufige Fragen

Ist Qwen3-TTS kostenlos für kommerzielle Nutzung?

Die Modelle stehen unter der Apache-2.0-Lizenz, die kommerzielle Nutzung erlaubt. Das Klonen ist eine eigene Frage: Klone nur Stimmen, deren Nutzung dir zusteht.

Welche Sprachen unterstützt Qwen3-TTS?

Englisch, Chinesisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch und Italienisch. Jede eingebaute Stimme spricht alle zehn.

Wie lang kann ein Voiceover sein?

Beliebig lang. Das Template teilt das Skript an Satz- und Absatzgrenzen, rendert jeden Teil mit derselben Stimme und demselben Seed und fügt sie mit natürlichen Pausen wieder zusammen.

Welche GPU brauche ich?

Jede GPU mit 8 GB VRAM oder mehr. Auf RunPod reicht eine RTX A5000 völlig.

Kann ich es lokal statt auf RunPod ausführen?

Ja. Die ComfyUI-Nodes und Workflows liegen im GitHub-Repository und laufen auf einer lokalen Laptop-GPU mit 8 GB.

Anton Tenitsky ist 3D-Artist mit mehr als 15 Jahren Erfahrung in der Computergrafik, tätig für Nickelodeon, Gameloft, Marvel Rivals und viele weitere Kunden. Mehr über mich