Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit的9大预置音色解析:ryan、aiden、serena怎么选?
Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit的9大预置音色解析:ryan、aiden、serena怎么选?
Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit 是通义千问 Qwen3-TTS 语音合成模型的 MLX 8bit 量化版,专为 Apple Silicon 芯片优化,内置 9 大预置音色(ryan、aiden、serena 等)并支持参考音频克隆自定义声音。本文将逐一解析这 9 个音色的特点,帮你快速选对 ryan、aiden、serena。
🎙️ 一分钟认识 Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit
这个仓库是 Qwen3-TTS-12Hz-1.7B-CustomVoice 的 MLX 格式转换版(基于 mlx-audio 0.3.0 转换),核心亮点:
| 特性 | 说明 |
|---|---|
| 模型规模 | 1.7B 参数,talker 共 28 层 |
| 量化方式 | 8bit affine 量化(group_size=64),体积更小、内存占用更低 |
| 运行平台 | Apple Silicon(M 系列芯片),基于 MLX 框架推理 |
| 音频规格 | 12Hz 语音分词器,24kHz 采样率,16 组语义码本 |
| 音色能力 | 9 大预置音色 + 参考音频克隆(custom voice) |
💡 支持语言覆盖中文、英语、日语、韩语、法语、德语、西班牙语、意大利语、葡萄牙语、俄语,并额外支持北京话、四川话两种中文方言(语言 token 定义见 config.json)。
📋 9 大预置音色总览
所有音色的映射关系都定义在 config.json 的 spk_id 字段中:
| 音色 | Speaker ID | 方言属性 | 人设定位 | 推荐场景 |
|---|---|---|---|---|
| ryan | 3061 | 普通话 | 年轻男声,活力明亮 | 带货直播、短视频口播、产品宣传片 |
| aiden | 2861 | 普通话 | 沉稳男声,磁性克制 | 有声书、新闻播报、企业宣传片 |
| serena | 3066 | 普通话 | 温柔女声,清晰悦耳 | 客服语音、知识讲解、陪伴类应用 |
| vivian | 3065 | 普通话 | 知性女声,优雅大方 | 品牌广告、纪录片旁白 |
| uncle_fu | 3010 | 普通话 | 中年男声,稳重可信 | 新闻评论、财经解说、历史故事 |
| ono_anna | 2873 | 普通话/日语 | 日系女声,软糯亲和 | 二次元内容、日语向语音 |
| sohee | 2864 | 普通话/韩语 | 韩系女声,甜美清爽 | 韩语内容、时尚美妆类 |
| eric | 2875 | ⭐ 四川话 | 川味男声,地道方言 | 方言段子、川渝地区本地化内容 |
| dylan | 2878 | ⭐ 北京话 | 京腔男声,儿化音十足 | 相声评书、京味文化类内容 |
方言属性可在 config.json 的 spk_is_dialect 字段中直接验证:9 个音色中只有 eric(sichuan_dialect) 和 dylan(beijing_dialect) 带方言标记,其余 7 个为标准普通话音色。
🔍 重点解析:ryan、aiden、serena 怎么选?
这三个是最高频使用的"主力音色",按人设区分如下:
ryan:要"能量感"就选他
- 年轻、明亮、有冲劲的男声,语速感偏快、情绪饱满
- 适合:直播口播、促销带货、短视频开场、游戏语音等需要"抓人"的场景
- 提示:文案情绪词写足,ryan 的感染力会放得更大
aiden:要"信任感"就靠他
- 沉稳、克制、低磁性的男声,听感接近专业播音
- 适合:有声书长篇连载、新闻播报、企业介绍、财经内容等"耐听"场景
- 提示:长篇内容(如整章小说)优先用 aiden,不易听觉疲劳
serena:要"亲和力"找她
- 温柔、清晰、干净的女声,咬字清楚、节奏平稳
- 适合:客服外呼、语音助手、知识讲解、陪伴类 App 的日常播报
- 提示:serena 是"百搭型"音色,拿不准选谁时优先试听她
🎯 一句话选型口诀:带货选 ryan,播书选 aiden,客服选 serena;想换方言味,再加个 dylan(京腔)或 eric(川味)。
建议实际项目中把同一段文案用 2~3 个音色各跑一遍对比后再定稿,因为音色效果与具体文本内容强相关。
🚀 快速上手:3 步生成语音
第 1 步:安装 MLX 推理库
pip install -U mlx-audio
第 2 步:命令行生成语音(默认预置音色)
python -m mlx_audio.tts.generate --model mlx-community/Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit --text "你好,这是一段测试语音。"
第 3 步(可选):Python API 克隆自定义声音。提供一段 ref_audio 参考音频,模型即可模仿该声音说话:
from mlx_audio.tts.utils import load_model
from mlx_audio.tts.generate import generate_audio
model = load_model("mlx-community/Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit")
generate_audio(
model=model,
text="你好,这是一段克隆音色测试。",
ref_audio="path_to_audio.wav", # 参考音频:想克隆谁就放谁的声音
file_prefix="test_audio",
)
生成参数(temperature 0.9、top_k 50、最长 8192 token 等)已配置在 generation_config.json 中,一般无需手动调整。
📁 关键文件说明
| 文件 | 作用 |
|---|---|
| README.md | 模型说明与使用示例 |
| config.json | 模型结构、音色 ID(spk_id)、方言与语言配置 |
| generation_config.json | 采样温度、top_k 等生成参数 |
| tokenizer_config.json | 分词器配置(Qwen2Tokenizer) |
| speech_tokenizer/config.json | 12Hz 语音分词器结构(24kHz 采样率) |
| model.safetensors.index.json | 8bit 量化权重的分片索引 |
总结:Qwen3-TTS-12Hz-1.7B-CustomVoice-8bit 用 8bit 量化把 1.7B 的 TTS 模型装进了 Apple Silicon,9 个预置音色覆盖男声、女声、青年、中年和两种方言,再叠加参考音频克隆能力,是 Mac 上目前性价比很高的一套语音合成方案。先试 ryan / aiden / serena 三主力,不满意再翻 dylan 和 eric 找方言彩蛋即可。