核心用法
Qwen3-Audio 是一款专为 Apple Silicon（M1/M2/M3/M4）优化的音频处理技能，提供完整的语音 AI 能力栈：
1. 文本转语音 (TTS)
- 基础 TTS：快速生成高质量语音输出
- VoiceDesign：通过自然语言描述任意创建虚拟声音角色
- CustomVoice：使用 9 种预设音色（Ryan/Aiden/Vivian 等），支持情绪指令控制
- 语音克隆：3 秒参考音频即可复刻任意真人声线
2. 语音识别 (STT/ASR)
- 支持多格式输出：txt/srt/ass
- 内置测试音频验证功能
3. 声纹资产管理
- 创建可复用的声纹档案（
voice create） - 自动管理 ref_audio/ref_text/ref_instruct
显著优点
- Apple Silicon 原生优化：MLX 框架底层加速，推理效率极高
- 多语言覆盖：中英日韩德法俄葡西意 10 种语言
- 细粒度控制：情绪、风格、语速均可通过自然语言指令调节
- 声纹即插即用：创建一次，多次复用，避免重复上传参考音频
潜在局限
- 硬件锁定：仅限 Apple Silicon Mac，Intel Mac/Windows/Linux 无法运行
- Python 版本限制：需 Python 3.10+
- 模型体积：1.7B 参数模型对内存有一定要求
- 方言支持有限：虽有北京/四川方言选项，但覆盖度不如标准语种
适合人群
- 内容创作者（有声书、播客、视频配音）
- 开发者构建语音交互应用
- 需快速原型语音功能的 AI 产品团队
- 对语音质量要求高且使用 Mac 的专业用户
常规风险
- 声纹滥用风险：语音克隆能力需遵守当地法律法规，禁止伪造他人身份
- 参考音频版权：用于克隆的音频需确保合法授权
- 输出内容合规：TTS 生成的语音内容需符合平台政策
- 环境依赖：需严格遵循 env-check-list 完成前置配置