Qwen3-TTS Apple Silicon

在这台 Apple Silicon Mac 上，优先通过 scripts/qwen3_tts.py 使用本地 Qwen3-TTS。

选择哪条链路

• 用 synth：已知 speaker + instruction 的普通合成
• 用 clone：给参考音频 + 准确转写，做语音克隆
• 用 voice-design：只给文字描述，直接设计新音色
• 用 list-speakers：查看当前预置 speaker

快速开始

cd /Users/qianleilei/.crawclaw/workspace/skills/qwen3-tts-apple-silicon
bash scripts/setup_env.sh
python scripts/qwen3_tts.py list-speakers

普通合成：

python scripts/qwen3_tts.py synth \
  --text "今天我们先验证一条更稳妥的本地配音方案。" \
  --speaker serena \
  --instruction "用自然、清晰、平稳的中文女声朗读。" \
  --file-prefix demo

语音克隆：

python scripts/qwen3_tts.py clone \
  --text "这是一条用于验证参考音频克隆效果的中文句子。" \
  --ref-audio /absolute/path/to/ref.wav \
  --ref-text "这是一条用于验证参考音频克隆效果的中文句子。" \
  --file-prefix clone_demo

音色设计：

python scripts/qwen3_tts.py voice-design \
  --text "今天测试一下音色设计能力。" \
  --instruction "一个自然、温和、清晰的中文女声，成熟一些，语速平稳，适合讲解和说明。" \
  --file-prefix designed

默认策略

• synth 默认模型：mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-8bit
• clone 默认模型：mlx-community/Qwen3-TTS-12Hz-0.6B-Base-8bit
• voice-design 默认模型：mlx-community/Qwen3-TTS-12Hz-1.7B-VoiceDesign-4bit
• 默认语言：zh
• 默认 speaker：serena
• 默认输出目录：~/.cache/crawclaw/qwen3-tts-apple-silicon/outputs/
• 先用 0.6B 验证链路；只有需要 VoiceDesign 时再拉起 1.7B

注意事项

• 不要依赖 mlx_audio 的通用默认参数；对普通合成显式传 speaker 与 lang=zh
• clone 已绕过 generate_audio() 包装层，避免误导性的 Voice: af_heart 日志
• 参考音频优先 5-10 秒、单人、安静、无混响，且 ref_text 尽量准确
• 首次运行可能下载模型；未配置 Hugging Face token 时会更慢
• 命令末尾会输出 JSON，包含 output_dir 与 audio_files
• 三条主命令都支持 --file-prefix

资源

• scripts/setup_env.sh：创建 .venv 并安装依赖
• scripts/qwen3_tts.py：统一 CLI，支持 list-speakers / synth / clone / voice-design
• references/notes.md：实测数据、模型说明、af_heart 排查结论、warning 记录