核心用法
qwenspeak 是一个 YAML 驱动的文本转语音（TTS）解决方案，封装了阿里通义千问 Qwen3-TTS 模型，通过 SSH 隧道与锁定容器通信。用户通过 scripts/qwenspeak.sh 封装脚本提交异步作业，支持三种合成模式：
- custom-voice：从 9 种预设说话人（中英日韩多语言）中选择，支持通过
instruct字段注入情感/风格指令 - voice-design：以自然语言描述目标声线（如"温暖友好的年轻女声"），仅 1.7B 模型支持
- voice-clone：上传参考音频与转录文本，克隆特定说话人音色，支持
x_vector_only快速声纹提取
作业采用异步队列机制，提交后立即返回 UUID，支持轮询状态、实时追踪日志 (-f)、取消任务及结果下载。YAML 配置支持三级参数继承（全局→步骤→生成），便于批量处理多角色多情绪场景。
显著优点
1. 多模态声线控制：业界罕见的"描述即声线"能力，无需训练即可通过自然语言设计全新音色
2. 情绪一致性方案：克隆模式下可通过上传不同情绪的参考音频，配合独立步骤实现情感可控合成
3. 工程化封装完善：SSH 命令白名单、路径沙箱（禁止目录遍历）、异步任务队列、自动清理机制，降低生产环境部署门槛
4. 硬件灵活：支持 0.6B/1.7B 模型切换，CPU/GPU 双端运行，可选 FlashAttention-2 加速
潜在局限
- 基础设施依赖：必须预先部署容器并维护 SSH 长连接，单节点架构存在单点故障风险
- 音频格式前置处理：参考音频需用户自行准备，无自动降噪/响度标准化提示
- 语言支持盲区：预设说话人仅覆盖中英日韩，小语种需依赖 voice-design 或克隆，质量未明确
- 作业生命周期短：容器重启即丢失历史任务，无持久化队列设计
适合人群
- 需要批量生成多角色配音的游戏/动画/有声书制作团队
- 追求声线可解释性控制（自然语言描述而非黑箱调参）的音频开发者
- 已有容器化运维能力、愿自建 TTS 服务以规避云端 API 成本与隐私风险的技术组织
常规风险
- SSH 密钥管理：生产环境需强制密钥认证、禁用密码登录，定期轮换密钥
- 路径遍历防护：虽然沙箱已限制
/work目录，但上传的参考音频可能含恶意触发器，建议隔离扫描 - 模型输出合规：TTS 克隆功能存在深度伪造滥用风险，需在业务层实施说话人授权校验与输出水印标记
- 资源争用：异步任务无优先级队列，大模型加载可能导致 GPU 显存 OOM，需监控
PROCESSING_UNIT资源配额