Qwen3 TTS 被严重低估了——我本地实时跑通后，发现它是目前最有表现力的开源 TTS 之一

大家好， 大约一年前，我发布并分享了 Persona Engine 这个 side project：把 ASR→LLM→TTS 整条链路完全本地化，再给一个实时对口型的虚拟形象（类似 VTuber）。当时用 Sesame 做 TTS，效果勉强够用。后来我歇了很长一段时间。 一两周前，我想给项目升个级，顺便看看本地模型进步到哪了，结果 Qwen3 TTS 让我大吃一惊。官方放出的初版其实一般，但我折腾了一阵，搞定了： 1. 稳定流式输出。模型解码器是滑动窗口架构，LLM 一边吐字，TTS 一边读，韵律、音高、语调都能保持一致。 2. 用 llama.cpp 跑起来，C# 环境也能用，顺便做了量化，速度飞起。 3. 原版没有词级时间戳和音素，而之前的 Kokoro（虽然声音更机械）是有的。于是我给 Qwen3 加了 CTC 词级对齐，方便做字幕和嘴型驱动。 搞定这些后，我又自己微调了一个 Qwen3-TTS 音色。官方给的克隆功能挺酷，但对上下文理解差，发音也翻车；而且官方没放母语级女声，我不想再做新 Live2D 模型。最终微调效果惊艳，我会继续迭代。 GitHub 地址：[https://github.com/fagenorn/handcrafted-persona-engine](https://github.com/fagenorn/handcrafted-persona-engine) 去玩吧，搞出啥骚操作记得告诉我！