核心用法
qwenspeak 是一个将阿里云 Qwen3-TTS 文本转语音模型封装在 SSH 沙箱容器中的技能。用户通过 SSH 命令与容器交互，执行语音合成任务。核心功能分为三类：
1. 预设音色合成（tts custom-voice）：9 种跨语言预设声音，支持情绪控制（1.7B 模型）
2. 声音设计（tts voice-design）：用自然语言描述期望的音色特征生成语音
3. 语音克隆（tts voice-clone）：上传参考音频克隆任意人声，支持 ICL（带转录）和 x-vector（纯声纹）两种模式
文件操作通过受限命令（put/get/ls/rm 等）完成，所有路径锁定在容器内 /work 目录。
显著优点
- 安全隔离：强制 SSH 密钥认证、无 shell 访问、命令白名单过滤、禁止管道和特殊字符注入
- 模型能力强大：Qwen3-TTS 支持 10 种语言，克隆质量高，情绪可控
- 零本地依赖：完全云端/容器化运行，仅需 SSH 客户端
- 灵活部署：支持 0.6B 轻量模型和 1.7B 完整模型，可选 CPU/GPU 推理
潜在缺点与局限
- 部署门槛：需自行搭建 Docker 容器并暴露 SSH 服务，配置复杂度较高
- 无实时试听：需下载 WAV 文件后本地播放，交互流程繁琐
- 中文资源集中：预设音色以中文为主，英文仅 2 种，其他语言依赖克隆
- 网络依赖：所有操作需稳定 SSH 连接，大文件传输受带宽限制
适合人群
- 需要私有化 TTS 部署的开发者与企业（避免公有 API 的数据出境顾虑）
- 内容创作者 needing 多语言克隆与情绪控制
- 对 AI 语音安全隔离有硬性要求的敏感场景
常规风险
- 主机密钥管理：首次连接需手动确认指纹，存在中间人攻击窗口期
- 容器逃逸：尽管白名单严格，Docker 权限配置不当仍可能导致宿主机暴露
- 语音伪造滥用：克隆功能可被用于深度伪造，需配合使用方合规审查
- 数据残留：容器内
/work文件需手动清理，存在隐私数据泄露风险