qwen3-tts-apple-silicon

@qianleigood · 收录于昨天 · 上游提交 1 个月前

Local Qwen3-TTS on Apple Silicon using MLX. Use when generating Chinese speech, testing Qwen3-TTS voices, selecting built-in speakers, applying style instructions, cloning a voice from reference audio, or designing a new voice from text descriptions on this Mac. Best for local/offline TTS, Apple Silicon/MLX validation, prompt-to-speech generation, and reusable dubbing workflows.

场景语音生成声音克隆配音制作

适合你，如果需要在 Mac 上离线生成中文语音或克隆声音

/ 下载安装

https://github.com/qianleigood/crawclaw/tree/main/skills-optional/qwen3-tts-apple-silicon ↗

/ 通过 npx 安装 校验哈希

npx oh-my-skill add qianleigood/crawclaw/qwen3-tts-apple-silicon

/ 通过 bash 安装

curl -fsSL https://oh-my-skill.com/install.sh | bash -s -- qianleigood/crawclaw/qwen3-tts-apple-silicon

/ 已经装过?验证本机副本,不用重装

npx oh-my-skill verify qianleigood/crawclaw/qwen3-tts-apple-silicon

安装目标可用 --agent / --scope 或 --to 明确指定;省略时只会在唯一已存在的 agent 目录上自动选择,零命中或多命中会停止并提示。content_hash 缺失或不一致均拒装。

30GitHub stars

~768最小装载

~3.9K含声明引用

~3.9K文本包总量

索引托管

怎么用

商店整理自技能原文 · 版本 f27e175 · 表述以原文为准

它做什么

Claude 能通过本地脚本生成中文语音，支持选择预置发言人、克隆参考音频的声音，或根据文字描述设计新音色。

什么时候触发

当你说出需要生成中文语音、克隆声音或设计新声音时触发。

装好后可以这样说

会调用默认发言人 serena 生成 wav 文件。

需要提供参考音频和对应文字。

会使用 1.7B 模型生成新音色。

技能原文 SKILL.md作者撰写 · MIT · f27e175

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

按 MIT 许可原样转载,未经改动 · 在 GitHub 查看 →

登录即可评论;带「已验证安装」的,是发布者名下有本店的安装或持有记录。

…