用途：让 VoiceMode 用任意音色说话。模型接收一段短参考音频，通过本地 mlx-audio 上的 Qwen3-TTS 合成该音色的新语音。适用于用户要求“语音克隆”“模仿某人说话”“用某人的声音说”“添加我的声音”，或 voicemode:converse 的 voice 参数不匹配已知 Kokoro 音色时。状态为预览/实验，仅 Apple Silicon，需手动启用。
主要能力与用法：一次性安装本地 TTS 服务：voicemode service install mlx-audio；从参考片段添加音色：voicemode clone add fleabag ~/Downloads/fleabag-clip.wav；使用：voicemode converse --voice fleabag。在 MCP converse 工具中传 voice="fleabag"，VoiceMode 会把匹配 VOICEMODE_VOICES_DIR 中配置的音色自动路由到 mlx-audio。
参考片段要求：时长 3-9 秒（5-9 秒最佳），单声道纯语音，无音乐或串音；接受任意输入格式，ffmpeg 会归一化；输出固定为单声道 24kHz 16-bit PCM，loudnorm I=-16 TP=-1.5 LRA=11。必须搭配转写文本，否则模型自行 ASR 可能误听导致合成口吃。过长片段可用 ffmpeg -i in.wav -ss 0 -t 8 out.wav 裁剪。
磁盘布局：音色存于 ~/.voicemode/voices/<name>/，含 default.wav 与自动生成的 voice.md。配置项包括 VOICEMODE_VOICES_DIR、VOICEMODE_REMOTE_VOICES_DIR、VOICEMODE_MLX_AUDIO_BASE_URL、VOICEMODE_IMPRESSIONS_MODEL。
限制：仅 Apple Silicon，Intel Mac/Linux/Windows 无回退方案；首次合成需下载约 3.4 GB 模型，较慢；避免使用 Kokoro 音色名以免遮蔽；旧版 VOICEMODE_CLONE_* 别名将在 8.8.0 移除。