Qwen3-TTS MLX

在 Apple Silicon（M1/M2/M3/M4）上使用 MLX 本地运行 Qwen3-TTS。支持 11 种语言、9 种内置语音、语音克隆以及通过文本描述设计语音。

使用场景

• - 在 Mac 上完全离线生成语音
• 制作旁白、有声书、播客或视频配音
• 创建具有可控风格和情感的多语言 TTS
• 从短音频样本中克隆任意语音
• 通过文本描述设计自定义语音

快速开始

安装

bash
pip install mlx-audio
brew install ffmpeg

基本用法

bash
python scripts/run_tts.py custom-voice \
--text 你好，欢迎使用本地文本转语音。 \
--voice Ryan \
--output output.wav

带风格控制

bash
python scripts/run_tts.py custom-voice \
--text 突发新闻：本地 AI 模型实现人类级语音。 \
--voice Uncle_Fu \
--instruct 新闻主播语气，冷静且权威 \
--output news.wav

模型变体

变体	模型	大小	内存	使用场景
CustomVoice	mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-4bit	~1GB	~4GB	内置语音 + 风格控制（推荐）
VoiceDesign

mlx-community/Qwen3-TTS-12Hz-1.7B-VoiceDesign-5bit | ~2GB | ~5GB | 从文本描述创建语音 | | Base | mlx-community/Qwen3-TTS-12Hz-0.6B-Base-4bit | ~1GB | ~4GB | 从参考音频进行语音克隆 |

支持的语言

语言	代码	备注
自动检测	auto	默认，从文本中检测
中文

Chinese | 普通话 | | 英语 | English | | | 日语 | Japanese | | | 韩语 | Korean | | | 法语 | French | | | 德语 | German | | | 西班牙语 | Spanish | | | 葡萄牙语 | Portuguese | | | 意大利语 | Italian | | | 俄语 | Russian | |

内置语音

语音	语言	角色
Vivian	中文	女性，明亮，年轻
Serena

中文 | 女性，温柔，柔和 | | Uncle_Fu | 中文 | 男性，权威，新闻主播 | | Dylan | 中文 | 男性，北京口音 | | Eric | 中文 | 男性，四川口音 | | Ryan | 英语 | 男性，充满活力 | | Aiden | 英语 | 男性，清晰，中性 | | Ono_Anna | 日语 | 女性 | | Sohee | 韩语 | 女性 |

语音选择指南：

场景	推荐语音
中文新闻/旁白	Uncle_Fu
中文休闲/活泼

Eric |
| 中文女性，专业 | Vivian |
| 中文女性，讲故事 | Serena |
| 英语充满活力的内容 | Ryan |
| 英语中性/教育 | Aiden |
| 日语内容 | Ono_Anna |
| 韩语内容 | Sohee |

模式

1) CustomVoice

使用内置语音，通过 --instruct 可选控制情感/风格。

bash
python scripts/run_tts.py custom-voice \
--text 这是个令人惊叹的消息！ \
--voice Vivian \
--instruct 兴奋且快乐 \
--output excited.wav

风格指令示例：

• - 冷静且温暖 - 柔和、友好的表达
• 新闻主播，权威 - 专业广播风格
• 兴奋且充满活力 - 高能量、热情
• 悲伤且忧郁 - 情感化、低沉语调
• 耳语，亲密 - 安静、近麦克风感觉

2) VoiceDesign

通过自然语言描述创建全新的语音。

bash
python scripts/run_tts.py voice-design \
--text 欢迎收听我们的播客。 \
--instruct 温暖、成熟的男性旁白，低音调且语气柔和 \
--output podcast_intro.wav

语音描述示例：

• - 年轻活泼的女性，高音调
• 年长睿智的男性，深沉共鸣的声音
• 专业女性新闻主播，发音清晰
• 友好的年轻男性，休闲放松

3) VoiceClone

从参考音频样本中克隆任意语音（建议 5-10 秒）。

bash
python scripts/run_tts.py voice-clone \
--text 这是我克隆的语音在说新内容。 \
--ref_audio reference.wav \
--ref_text 参考音频的准确转录文本 \
--output cloned.wav

语音克隆提示：

• - 使用无背景噪音的干净音频
• 5-10 秒的语音效果最佳
• 提供参考音频的准确转录文本
• 参考音频和输出语言应匹配

CLI 参数

参数	必需	默认值	描述
--text	是	-	要合成的文本
--voice

否 | Vivian | 内置语音（仅 CustomVoice） | | --lang_code | 否 | auto | 语言代码 | | --instruct | 否 | - | 风格控制或语音描述 | | --speed | 否 | 1.0 | 语速倍数 | | --temperature | 否 | 0.7 | 采样温度（越高变化越大） | | --model | 否 | （按模式） | 覆盖默认模型 | | --output | 否 | - | 输出文件路径 | | --out-dir | 否 | ./outputs | 未设置 --output 时的输出目录 | | --ref_audio | VoiceClone | - | 参考音频文件 | | --ref_text | VoiceClone | - | 参考音频转录文本 |

Python API

使用 generate_audio（推荐）

python
from mlxaudio.tts.generate import generateaudio

带风格控制的 CustomVoice

generate_audio( text=来自 Qwen3-TTS 的问候！, model=mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-4bit, voice=Ryan, lang_code=english, instruct=友好且温暖, output_path=., file_prefix=hello, audio_format=wav, join_audio=True, verbose=True, )

直接使用 Model

python
from mlx_audio.tts.utils import load
import soundfile as sf
import numpy as np

加载模型

model = load(mlx-community/Qwen3-TTS-12Hz-0.6B-CustomVoice-4bit)

生成音频（返回生成器）

audio_chunks = [] for chunk in model.generatecustomvoice( text=来自 Qwen3-TTS 的问候。, speaker=Ryan, language=english, instruct=清晰、稳定的表达 ): if hasattr(chunk, audio) and chunk.audio is not None: audio_chunks.append(chunk.audio)

合并并保存

audio = np.concatenate(audio_chunks) sf.write(output.wav, audio, 24000)

VoiceDesign

python
from mlxaudio.tts.generate import generateaudio

generate_audio(
text=欢迎收看本期节目。,
model=mlx-community/Qwen3-TTS-12Hz-1.7B-VoiceDesign-5bit,
instruct=温暖、友好的女性旁白，中音调,
lang_code=english,
output_path=.,
fileprefix=voicedesign,
join_audio=True,
)

VoiceClone

python
from mlxaudio.tts.generate import generateaudio

generate_audio(
text=克隆语音中的新内容。,
model=mlx-community/Qwen3-TTS-12Hz-0.6B-Base-4bit,
ref_audio=reference.wav,
ref_text=参考音频的转录文本,
output_path=.,
file_prefix=cloned,
join_audio=True,
)

批量处理

使用 scripts/batch_dubbing.py 处理多行文本：

bash
python scripts/batch_dubbing