MLX-Audio TTS 模型全家桶Apple Silicon 上的多模型文生语音方案速查与实战【免费下载链接】mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apples MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audioMLX-Audio即 mlx-audio 仓库基于 Apple 的 MLX 框架构建了一套覆盖 TTS文生语音、STT语音转文本与 STS语音转语音的音频库其中 TTS 是其最丰富的模块之一。本文以 docs/models/tts/index.md 为骨架系统梳理 MLX-Audio 当前支持的 TTS 模型矩阵、统一的调用接口与 CLI/Python 实战用法并结合仓库源码mlx_audio/tts/深入讲解模型加载机制、命令行参数与生成结果结构帮助你根据速度、质量、多语言、声音克隆与流式等需求快速选型并跑通第一条 TTS 流水线。MLX-Audio TTS 模型矩阵一张表看清 30 模型MLX-Audio 的 TTS 模块面向 Apple Silicon 做了全面优化覆盖从 14.6M 参数的轻量边缘模型到 16.8BA3B 激活的旗舰模型每个模型在速度、质量、语言覆盖与功能特性上各有取舍。官方对比表如下表中的--表示该模型未提供对应能力或未在文档中标注ModelSizeLanguagesVoice CloningStreamingKey FeaturesKokoro82MEN, JA, ZH, FR, ES, IT, PT, HI----快速、54 个内置音色、支持语速控制KittenTTS14.6M / 35.5M / 73.8MEN----KittenTTS 0.8 nano/micro/mini边缘友好的轻量 TTS支持语速控制Qwen3-TTS0.6B / 1.7BZH, EN, JA, KO 等YesYes声音克隆、情感控制、声音设计、批量生成Breeze TTS 21BEN, ZHYesYes声音设计、克隆、声音方向控制与内联发声事件Higgs Audio v34B100 种语言Yes--对话式 TTS内联情感/风格/韵律控制捆绑 Higgs codecMOSS-TTS8B / 1.7B31 种语言Yes--延迟模式与局部 Transformer 的 RVQ 生成完整 MOSS Audio TokenizerOmniVoice0.6B 主干 HiggsAudio tokenizer646 语言Yes--零样本多语言克隆、非语言标签、CMU 拼音控制Voxtral TTS4BEN, FR, ES, DE, IT, PT, NL, AR, HI--Yes20 个音色预设、9 种语言、分块流式输出Svara TTS3B19 种印度语言HI, BN, TA, TE, KN, ML, MR, GU, PA, OR, AS, BH, MAG, MAI, HNE, BRX, DOI, NE, SA, EN-IN--YesOrpheus 家族SNAC 24 kHz38 个音色4-bit/8-bit MLX 量化CSM / MisoTTS1B / 8BENYesYesSesame 风格对话语音声音克隆多轮上下文Dia1.6BEN----支持[S1]/[S2]说话人标签的对话Chatterbox0.5B23 种语言Yes--多语言 v2/v3情感夸张度控制KugelAudio7B24 种欧洲语言----基于 VibeVoice 的多语言 TTS扩散解码Spark0.5BEN, ZH----SparkTTS 模型OuteTTS0.6BEN----高效的轻量 TTSSoprano80MEN----高质量小模型 TTSMing Omni TTS16.8B (A3B) / 0.5BEN, ZHYes--声音克隆、风格/情感控制、音乐与音效生成TADA1B / 3BEN1BEN 9 种语言3BYes--HumeAI 系语速控制flow matchingEcho TTS--ENYes--扩散式快速声音克隆Irodori TTS500MJAYes--仅日语DiT DACVAEFish Speech--ENYes--内联控制标签、多说话人、长文本批量VoxCPM22B30 种语言Yes--48 kHz、声音设计、声音克隆、续说从上表可以归纳出 MLX-Audio TTS 模块的三个典型能力分层轻量快速层Kokoro、KittenTTS、Soprano主打低资源高吞吐、多语言覆盖层OmniVoice、Higgs Audio v3、Voxtral、Svara、Chatterbox、VoxCPM2 等、以及声音克隆/情感控制层Qwen3-TTS、Breeze、CSM、MOSS-TTS、Echo、TADA 等。几乎所有模型都提供 MLX 量化版本便于在统一内存有限的 Apple Silicon 设备上运行。统一调用接口所有 TTS 模型共享的加载与生成协议官方文档强调所有 TTS 模型共享同一套接口。这意味着无论你选择 82M 的 Kokoro 还是 8B 的 MOSS-TTS编写代码的方式完全一致切换模型只需更换model参数。CLI 快速开始mlx_audio.tts.generate \ --model model-id \ --text Hello, world! \ --voice voice-name其中model-id可以是 Hugging Face 上的mlx-community/*仓库 ID也可以是本地已转换好的模型目录路径--voice传入模型支持的音色名例如 Kokoro 的af_heart、Qwen3-TTS CustomVoice 的Vivian。Python 快速开始from mlx_audio.tts.utils import load_model model load_model(model-id) for result in model.generate(textHello, world!): audio result.audio # mx.array waveform注意model.generate()是一个生成器逐段 yield 出GenerationResult对象见下文“生成结果结构”因此必须用for循环消费多段文本或流式场景下每个结果对应一段音频。统一接口的源码落点这套统一接口并非约定而是由源码机制强制保证的统一加载入口mlx_audio/tts/utils.py 中的load()/load_model()是 TTS 模型的唯一入口自动识别模型类型并初始化对应模型类load()额外支持lazy是否延迟加载权重、strict权重缺失是否报错与revision、force_download等参数。模型类型映射表MODEL_REMAPPING 负责把别名归一化到具体实现模块例如breeze/breeze-tts都映射到breeze_tts、csm/marvis映射到sesame、voxcpm1.5映射到voxcpm、moss_tts_delay与moss_tts_local映射到moss_tts。这意味着官方文档中出现的不同命名如 Breeze 的三种写法在加载时是等价的。自动发现模型get_available_models() 通过扫描 mlx_audio/tts/models/ 目录动态枚举可用模型类型新增模型只要放入该目录即可被识别。模型基类mlx_audio/tts/models/base.py 定义了所有 TTS 模型共享的BaseModelArgs从 config 字典按签名自动过滤参数、GenerationResult等基础数据结构保证各模型对外行为一致。CLI 参数全景从文本生成到参考语音克隆CLI 入口mlx_audio.tts.generate的参数由 mlx_audio/tts/generate.py 的parse_args()定义以下按用途分组说明模型与文本参数默认值说明--model必填模型路径或 Hugging Face repo ID--text从 stdin 读取待合成文本不传时若 stdin 非终端则读取管道输入否则交互式等待输入--max_tokensNone不限制最大生成 token 数--promptNone模型特定的可选 prompt 前缀音色与参考音频参数默认值说明--voiceNone音色/说话人名称如 Qwen3-TTS CustomVoice 的Vivian、Ryan--ref_audioNone参考音频路径可多次传入以克隆多说话人actionappend--ref_textNone参考音频的转写文本可多次传入数量需与--ref_audio一致--stt_modelmlx-community/whisper-large-v3-turbo-asr-fp16当模型需要ref_text但未提供时用于自动转写参考音频的 STT 模型--instructNoneCustomVoice 的情感/风格指令或 VoiceDesign 的声音描述这里有一个非常实用的自动化细节从 generate_audio() 的实现可以看到若模型generate()签名接受ref_text通过inspect.signature检测而你只给了ref_audio框架会自动调用指定的 whisper STT 模型对参考音频进行转写把转写结果回填为ref_text从而实现只给一段音频即可克隆的零门槛体验。生成控制与采样参数默认值说明--temperature0.7采样温度--top_p0.9top-p 采样--top_k50top-k 采样--min_pNone模型特定的 min-p 采样阈值--repetition_penalty1.1重复惩罚--speed1.0播放速度倍率--lang_codeen语言代码如 Kokoro 的a/b/j/z--cfg_scale模型配置classifier-free guidance 强度--ddpm_steps模型配置扩散步数覆盖越大质量越高越慢文档建议试 30–50--sigmaNone模型特定 sigma 值如 Ming Omni--use_zero_spk_embFalse零说话人嵌入模式如 Ming Omni--gender/--pitchmale/1.0音色性别与音高--exaggeration0.5情感夸张度Chatterbox 等--gen_duration/--duration_multiplier/--steps/--stg_scale/--stg_block/--rescale_scaleNone模型特定的生成时长、步数与时空引导等高级参数输出、流式与播放参数默认值说明--output_pathNone输出目录不存在会自动创建--file_prefixaudio输出文件名前缀多段时按_000、_001递增--audio_formatwav输出格式如wav、flac--join_audioFalse是否将多段音频拼接为一个文件--playFalse生成后立即播放--streamFalse流式分块生成隐含--play--streaming_interval2.0流式分块的时间间隔秒如 Qwen3-TTS 常用0.32--saveFalse流式模式下将分块保存为文件必须搭配--stream否则直接报错--verboseFalse打印详细的性能统计这些参数在 generate_audio() 中会被组装进model.generate(**gen_kwargs)非None的额外 kwargs 会被透传给模型——这解释了为什么不同模型文档中会出现各自的专属参数框架把通用参数统一处理模型特定参数直接透传。生成结果结构GenerationResult 与性能统计无论 CLI 还是 Python API每次生成都会得到GenerationResult对象定义于 mlx_audio/tts/models/base.py核心字段包括audiomx.array类型的波形数据sample_rate模型输出采样率如 Breeze 为 24 kHztoken_count生成的 token 数audio_duration音频时长字符串real_time_factor实时率1.0x表示生成速度与播放速度相当数值越大越快processing_time_seconds/peak_memory_usage处理耗时与峰值内存GBis_streaming_chunk/is_final_chunk流式场景下的分块标记。开启--verbose后CLI 会逐段打印Duration、Samples/sec、Prompt tokens、Real-time factor、Processing time与Peak memory usage等指标见 generate_audio()这是评估模型在你的设备上真实性能的第一手依据。对于批量场景BatchGenerationResultmlx_audio/tts/models/base.py额外提供sequence_idx标识当前结果属于批中的第几条序列例如 Qwen3-TTS 的batch_generate()就以sequence_idx区分不同文本/音色的输出。如何选择模型官方选型建议详解官方文档给出了针对常见场景的选型指引这里结合各模型文档进一步展开追求最快 / 最小选Kokoro82M。它内置 54 个音色预设并支持语速控制其语言代码与音色清单详见 docs/models/tts/kokoro.md。更极端的轻量选择还有 14.6M 起步的KittenTTS与 80M 的Soprano。声音克隆选CSM、Qwen3-TTS、Higgs Audio v3或OmniVoice。它们都能从参考语音克隆音色其中 Qwen3-TTS 还细分出 Base纯克隆、CustomVoice预设音色 情感与 VoiceDesign文本描述造音三个变体详见 docs/models/tts/qwen3-tts.md。Breeze TTS 2则在克隆之外支持声音方向用指令微调语气与内联发声事件英文(laugh)、中文[笑]见 docs/models/tts/breeze-tts.md。多语言选Voxtral TTS9 种语言、20 个音色、支持流式或Chatterbox23 种语言。覆盖更广的还有OmniVoice646 语言与Higgs Audio v3100 种语言。对话Dialogue选Dia内置多说话人会话支持文本中用[S1]/[S2]标签区分说话人详见 docs/models/tts/dia.md。情感 / 风格控制选 Qwen3-TTS 的CustomVoice或VoiceDesign变体前者用--instruct指定情感指令如 Very happy and excited.后者直接用自然语言描述来设计全新音色。扩展模型转换、量化与深入阅读除了开箱即用的mlx-community/*权重仓库还提供了把原生权重转换为 MLX 格式的能力mlx_audio/tts/utils.py 中的convert()支持--quantize配合--q_group_size、--q_bits、--dequantize、--dtypefloat16/bfloat16/float32以及上传回 Hugging Face Hub 的--upload_repo。量化时默认跳过维度不能被 64 整除的层见base_quant_requirements这也是各模型 4-bit/8-bit 版本得以稳定运行的基础。进一步深入学习可参考以下仓库内资料单模型速查上表中各模型的专属文档docs/models/tts/ 目录含 CLI/Python 示例、语言代码、音色清单与特殊能力源码实现mlx_audio/tts/models/ 下每个子目录对应一个模型实现多数带有模型卡说明如 bailingmm/README.md、tada/README.md测试用例mlx_audio/tts/tests/ 覆盖了各模型的加载、生成、音频 tokenizer 与 CLI 行为是理解模型正确用法的可靠参照流式与量化进阶docs/guides/streaming.md、docs/guides/quantization.md、docs/guides/voice-cloning.md。小结MLX-Audio 的 TTS 模块通过统一加载入口 统一generate()接口 可透传的模型专属参数三层设计把 30 个风格迥异的模型收敛为一套极易上手的 API先在本文的模型对比表中按速度、多语言、克隆、流式四大维度确定目标模型再用mlx_audio.tts.generate或load_model()完成首次合成最后通过--verbose输出的实时率与峰值内存数据校准设备上的真实性能。这套工作流既适合快速验证单个模型也适合在多个模型间做横向评测与选型对比。【免费下载链接】mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apples MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
MLX-Audio TTS 模型全家桶Apple Silicon 上的多模型文生语音方案速查与实战【免费下载链接】mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apples MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audioMLX-Audio即 mlx-audio 仓库基于 Apple 的 MLX 框架构建了一套覆盖 TTS文生语音、STT语音转文本与 STS语音转语音的音频库其中 TTS 是其最丰富的模块之一。本文以 docs/models/tts/index.md 为骨架系统梳理 MLX-Audio 当前支持的 TTS 模型矩阵、统一的调用接口与 CLI/Python 实战用法并结合仓库源码mlx_audio/tts/深入讲解模型加载机制、命令行参数与生成结果结构帮助你根据速度、质量、多语言、声音克隆与流式等需求快速选型并跑通第一条 TTS 流水线。MLX-Audio TTS 模型矩阵一张表看清 30 模型MLX-Audio 的 TTS 模块面向 Apple Silicon 做了全面优化覆盖从 14.6M 参数的轻量边缘模型到 16.8BA3B 激活的旗舰模型每个模型在速度、质量、语言覆盖与功能特性上各有取舍。官方对比表如下表中的--表示该模型未提供对应能力或未在文档中标注ModelSizeLanguagesVoice CloningStreamingKey FeaturesKokoro82MEN, JA, ZH, FR, ES, IT, PT, HI----快速、54 个内置音色、支持语速控制KittenTTS14.6M / 35.5M / 73.8MEN----KittenTTS 0.8 nano/micro/mini边缘友好的轻量 TTS支持语速控制Qwen3-TTS0.6B / 1.7BZH, EN, JA, KO 等YesYes声音克隆、情感控制、声音设计、批量生成Breeze TTS 21BEN, ZHYesYes声音设计、克隆、声音方向控制与内联发声事件Higgs Audio v34B100 种语言Yes--对话式 TTS内联情感/风格/韵律控制捆绑 Higgs codecMOSS-TTS8B / 1.7B31 种语言Yes--延迟模式与局部 Transformer 的 RVQ 生成完整 MOSS Audio TokenizerOmniVoice0.6B 主干 HiggsAudio tokenizer646 语言Yes--零样本多语言克隆、非语言标签、CMU 拼音控制Voxtral TTS4BEN, FR, ES, DE, IT, PT, NL, AR, HI--Yes20 个音色预设、9 种语言、分块流式输出Svara TTS3B19 种印度语言HI, BN, TA, TE, KN, ML, MR, GU, PA, OR, AS, BH, MAG, MAI, HNE, BRX, DOI, NE, SA, EN-IN--YesOrpheus 家族SNAC 24 kHz38 个音色4-bit/8-bit MLX 量化CSM / MisoTTS1B / 8BENYesYesSesame 风格对话语音声音克隆多轮上下文Dia1.6BEN----支持[S1]/[S2]说话人标签的对话Chatterbox0.5B23 种语言Yes--多语言 v2/v3情感夸张度控制KugelAudio7B24 种欧洲语言----基于 VibeVoice 的多语言 TTS扩散解码Spark0.5BEN, ZH----SparkTTS 模型OuteTTS0.6BEN----高效的轻量 TTSSoprano80MEN----高质量小模型 TTSMing Omni TTS16.8B (A3B) / 0.5BEN, ZHYes--声音克隆、风格/情感控制、音乐与音效生成TADA1B / 3BEN1BEN 9 种语言3BYes--HumeAI 系语速控制flow matchingEcho TTS--ENYes--扩散式快速声音克隆Irodori TTS500MJAYes--仅日语DiT DACVAEFish Speech--ENYes--内联控制标签、多说话人、长文本批量VoxCPM22B30 种语言Yes--48 kHz、声音设计、声音克隆、续说从上表可以归纳出 MLX-Audio TTS 模块的三个典型能力分层轻量快速层Kokoro、KittenTTS、Soprano主打低资源高吞吐、多语言覆盖层OmniVoice、Higgs Audio v3、Voxtral、Svara、Chatterbox、VoxCPM2 等、以及声音克隆/情感控制层Qwen3-TTS、Breeze、CSM、MOSS-TTS、Echo、TADA 等。几乎所有模型都提供 MLX 量化版本便于在统一内存有限的 Apple Silicon 设备上运行。统一调用接口所有 TTS 模型共享的加载与生成协议官方文档强调所有 TTS 模型共享同一套接口。这意味着无论你选择 82M 的 Kokoro 还是 8B 的 MOSS-TTS编写代码的方式完全一致切换模型只需更换model参数。CLI 快速开始mlx_audio.tts.generate \ --model model-id \ --text Hello, world! \ --voice voice-name其中model-id可以是 Hugging Face 上的mlx-community/*仓库 ID也可以是本地已转换好的模型目录路径--voice传入模型支持的音色名例如 Kokoro 的af_heart、Qwen3-TTS CustomVoice 的Vivian。Python 快速开始from mlx_audio.tts.utils import load_model model load_model(model-id) for result in model.generate(textHello, world!): audio result.audio # mx.array waveform注意model.generate()是一个生成器逐段 yield 出GenerationResult对象见下文“生成结果结构”因此必须用for循环消费多段文本或流式场景下每个结果对应一段音频。统一接口的源码落点这套统一接口并非约定而是由源码机制强制保证的统一加载入口mlx_audio/tts/utils.py 中的load()/load_model()是 TTS 模型的唯一入口自动识别模型类型并初始化对应模型类load()额外支持lazy是否延迟加载权重、strict权重缺失是否报错与revision、force_download等参数。模型类型映射表MODEL_REMAPPING 负责把别名归一化到具体实现模块例如breeze/breeze-tts都映射到breeze_tts、csm/marvis映射到sesame、voxcpm1.5映射到voxcpm、moss_tts_delay与moss_tts_local映射到moss_tts。这意味着官方文档中出现的不同命名如 Breeze 的三种写法在加载时是等价的。自动发现模型get_available_models() 通过扫描 mlx_audio/tts/models/ 目录动态枚举可用模型类型新增模型只要放入该目录即可被识别。模型基类mlx_audio/tts/models/base.py 定义了所有 TTS 模型共享的BaseModelArgs从 config 字典按签名自动过滤参数、GenerationResult等基础数据结构保证各模型对外行为一致。CLI 参数全景从文本生成到参考语音克隆CLI 入口mlx_audio.tts.generate的参数由 mlx_audio/tts/generate.py 的parse_args()定义以下按用途分组说明模型与文本参数默认值说明--model必填模型路径或 Hugging Face repo ID--text从 stdin 读取待合成文本不传时若 stdin 非终端则读取管道输入否则交互式等待输入--max_tokensNone不限制最大生成 token 数--promptNone模型特定的可选 prompt 前缀音色与参考音频参数默认值说明--voiceNone音色/说话人名称如 Qwen3-TTS CustomVoice 的Vivian、Ryan--ref_audioNone参考音频路径可多次传入以克隆多说话人actionappend--ref_textNone参考音频的转写文本可多次传入数量需与--ref_audio一致--stt_modelmlx-community/whisper-large-v3-turbo-asr-fp16当模型需要ref_text但未提供时用于自动转写参考音频的 STT 模型--instructNoneCustomVoice 的情感/风格指令或 VoiceDesign 的声音描述这里有一个非常实用的自动化细节从 generate_audio() 的实现可以看到若模型generate()签名接受ref_text通过inspect.signature检测而你只给了ref_audio框架会自动调用指定的 whisper STT 模型对参考音频进行转写把转写结果回填为ref_text从而实现只给一段音频即可克隆的零门槛体验。生成控制与采样参数默认值说明--temperature0.7采样温度--top_p0.9top-p 采样--top_k50top-k 采样--min_pNone模型特定的 min-p 采样阈值--repetition_penalty1.1重复惩罚--speed1.0播放速度倍率--lang_codeen语言代码如 Kokoro 的a/b/j/z--cfg_scale模型配置classifier-free guidance 强度--ddpm_steps模型配置扩散步数覆盖越大质量越高越慢文档建议试 30–50--sigmaNone模型特定 sigma 值如 Ming Omni--use_zero_spk_embFalse零说话人嵌入模式如 Ming Omni--gender/--pitchmale/1.0音色性别与音高--exaggeration0.5情感夸张度Chatterbox 等--gen_duration/--duration_multiplier/--steps/--stg_scale/--stg_block/--rescale_scaleNone模型特定的生成时长、步数与时空引导等高级参数输出、流式与播放参数默认值说明--output_pathNone输出目录不存在会自动创建--file_prefixaudio输出文件名前缀多段时按_000、_001递增--audio_formatwav输出格式如wav、flac--join_audioFalse是否将多段音频拼接为一个文件--playFalse生成后立即播放--streamFalse流式分块生成隐含--play--streaming_interval2.0流式分块的时间间隔秒如 Qwen3-TTS 常用0.32--saveFalse流式模式下将分块保存为文件必须搭配--stream否则直接报错--verboseFalse打印详细的性能统计这些参数在 generate_audio() 中会被组装进model.generate(**gen_kwargs)非None的额外 kwargs 会被透传给模型——这解释了为什么不同模型文档中会出现各自的专属参数框架把通用参数统一处理模型特定参数直接透传。生成结果结构GenerationResult 与性能统计无论 CLI 还是 Python API每次生成都会得到GenerationResult对象定义于 mlx_audio/tts/models/base.py核心字段包括audiomx.array类型的波形数据sample_rate模型输出采样率如 Breeze 为 24 kHztoken_count生成的 token 数audio_duration音频时长字符串real_time_factor实时率1.0x表示生成速度与播放速度相当数值越大越快processing_time_seconds/peak_memory_usage处理耗时与峰值内存GBis_streaming_chunk/is_final_chunk流式场景下的分块标记。开启--verbose后CLI 会逐段打印Duration、Samples/sec、Prompt tokens、Real-time factor、Processing time与Peak memory usage等指标见 generate_audio()这是评估模型在你的设备上真实性能的第一手依据。对于批量场景BatchGenerationResultmlx_audio/tts/models/base.py额外提供sequence_idx标识当前结果属于批中的第几条序列例如 Qwen3-TTS 的batch_generate()就以sequence_idx区分不同文本/音色的输出。如何选择模型官方选型建议详解官方文档给出了针对常见场景的选型指引这里结合各模型文档进一步展开追求最快 / 最小选Kokoro82M。它内置 54 个音色预设并支持语速控制其语言代码与音色清单详见 docs/models/tts/kokoro.md。更极端的轻量选择还有 14.6M 起步的KittenTTS与 80M 的Soprano。声音克隆选CSM、Qwen3-TTS、Higgs Audio v3或OmniVoice。它们都能从参考语音克隆音色其中 Qwen3-TTS 还细分出 Base纯克隆、CustomVoice预设音色 情感与 VoiceDesign文本描述造音三个变体详见 docs/models/tts/qwen3-tts.md。Breeze TTS 2则在克隆之外支持声音方向用指令微调语气与内联发声事件英文(laugh)、中文[笑]见 docs/models/tts/breeze-tts.md。多语言选Voxtral TTS9 种语言、20 个音色、支持流式或Chatterbox23 种语言。覆盖更广的还有OmniVoice646 语言与Higgs Audio v3100 种语言。对话Dialogue选Dia内置多说话人会话支持文本中用[S1]/[S2]标签区分说话人详见 docs/models/tts/dia.md。情感 / 风格控制选 Qwen3-TTS 的CustomVoice或VoiceDesign变体前者用--instruct指定情感指令如 Very happy and excited.后者直接用自然语言描述来设计全新音色。扩展模型转换、量化与深入阅读除了开箱即用的mlx-community/*权重仓库还提供了把原生权重转换为 MLX 格式的能力mlx_audio/tts/utils.py 中的convert()支持--quantize配合--q_group_size、--q_bits、--dequantize、--dtypefloat16/bfloat16/float32以及上传回 Hugging Face Hub 的--upload_repo。量化时默认跳过维度不能被 64 整除的层见base_quant_requirements这也是各模型 4-bit/8-bit 版本得以稳定运行的基础。进一步深入学习可参考以下仓库内资料单模型速查上表中各模型的专属文档docs/models/tts/ 目录含 CLI/Python 示例、语言代码、音色清单与特殊能力源码实现mlx_audio/tts/models/ 下每个子目录对应一个模型实现多数带有模型卡说明如 bailingmm/README.md、tada/README.md测试用例mlx_audio/tts/tests/ 覆盖了各模型的加载、生成、音频 tokenizer 与 CLI 行为是理解模型正确用法的可靠参照流式与量化进阶docs/guides/streaming.md、docs/guides/quantization.md、docs/guides/voice-cloning.md。小结MLX-Audio 的 TTS 模块通过统一加载入口 统一generate()接口 可透传的模型专属参数三层设计把 30 个风格迥异的模型收敛为一套极易上手的 API先在本文的模型对比表中按速度、多语言、克隆、流式四大维度确定目标模型再用mlx_audio.tts.generate或load_model()完成首次合成最后通过--verbose输出的实时率与峰值内存数据校准设备上的真实性能。这套工作流既适合快速验证单个模型也适合在多个模型间做横向评测与选型对比。【免费下载链接】mlx-audioA text-to-speech (TTS), speech-to-text (STT) and speech-to-speech (STS) library built on Apples MLX framework, providing efficient speech analysis on Apple Silicon.项目地址: https://gitcode.com/GitHub_Trending/ml/mlx-audio创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
