用途：在 Apple Silicon（M1/M2/M3/M4）Mac 上本地离线运行 Qwen3-TTS 语音合成，可用于旁白、有声书、播客、视频配音及多语言 TTS，支持风格与情感控制、语音克隆和按文本描述设计音色。
主要能力：支持 11 种语言（自动检测、中文、英文、日文、韩文、法文、德文、西班牙文、葡萄牙文、意大利文、俄文）；9 个内置音色（如 Vivian、Serena、Uncle_Fu、Dylan、Eric、Ryan、Aiden、Ono_Anna、Sohee）；三种模式：CustomVoice（内置音色加 --instruct 风格控制）、VoiceDesign（用自然语言描述生成新音色）、VoiceClone（用 5-10 秒参考音频克隆音色）。采样率 24000 Hz，实时系数约 0.7x，峰值内存约 4-6 GB。
使用方式：先安装依赖 pip install mlx-audio 与 brew install ffmpeg。命令行示例：python scripts/run_tts.py custom-voice --text "Hello, welcome to local text to speech." --voice Ryan --output output.wav。带风格控制时加 --instruct，如 "news anchor tone, calm and authoritative"。语音克隆需提供 --ref_audio 与 --ref_text。也可用 Python API 的 generate_audio 或直接加载模型生成。批量处理可用 scripts/batch_dubbing.py，格式见 references/dubbing_format.md。
模型变体：CustomVoice（约 1GB，内存约 4GB，内置音色加风格控制，推荐）、VoiceDesign（约 2GB，内存约 5GB，文本描述生成音色）、Base（约 1GB，内存约 4GB，参考音频克隆）。
限制与注意：仅支持 Apple Silicon；首次运行需下载约 1-2GB 模型；生成慢可改用 4-bit CustomVoice 模型；语言识别错误需显式指定 --lang_code；克隆质量依赖干净参考音频与准确转写文本；内存不足时关闭其他应用或使用 4-bit 模型；tokenizer 警告可忽略。其他收费、平台与效果信息暂未提供。