Qwen3-TTS：CustomVoice、VoiceDesign 和 Base 怎么选？

先看你手里有什么

打开模型列表，看到几个都叫 Qwen3-TTS 的选项，很容易以为只要挑一个参数大的就行。实际上，CustomVoice、VoiceDesign 和 Base 对应不同的输入：预设说话人、声音描述，以及参考录音。选错入口，往往会让你一直寻找这个模型并不提供的控件。

如果只是想先把一段文字念出来，可以从 CustomVoice 开始。想为角色设计声音，选择 VoiceDesign。已经有一段获得授权的录音，希望用相近的声音读新稿，则看 Base 的声音克隆路径。

三种模型，分别需要什么

上游的标准克隆示例使用参考音频和对应文字，也提供只提取说话人特征的模式。具体可用输入以 Sonano 当前界面为准，不要把上游 Python 示例里的每个参数都当成 App 的开关。

把声音描述写成能听出来的特征

“好听、有感染力”很难告诉模型应该怎么说。可以换成更具体的描述：音高偏低、语速平稳、句尾收住，像向一个人讲解。

一位成年女性，音色温暖、清晰，语速适中，像在给朋友解释一个新概念。停顿自然，不使用广告播报腔。

先用包含陈述、疑问和数字的短段落试听。如果音色合适但某个词读错，先检查文字；如果整段的角色气质不对，再改声音描述。一次只动一类变量，比较时才知道是哪一步起作用。

找到声音以后，把它用进作品

角色需要在多段文字中反复出现时，可以在 Sonano 的声音库保存设计或克隆得到的声音，再在语音生成中复用。保存的设计或克隆声音，可以在支持该语言的 Qwen3-TTS Base、VoxCPM2、OmniVoice 和 Chatterbox 之间共享；Kokoro 和 CustomVoice 使用各自的预设音色。详见声音与模型的搭配规则。

多人对白先给每个角色分配声音，再生成短段验证。长文先检查人名、缩写和数字的读法，再展开章节。这样在进入长任务之前，就能发现大部分选声和文本问题。

语言和体积怎样考虑

Qwen3-TTS 官方列出中文、英文、日文、韩文、德文、法文、俄文、葡萄牙文、西班牙文和意大利文十种语言。语言覆盖不代表所有声音在每种语言里都同样自然。

上游提供 0.6B 和 1.7B 的部分变体，VoiceDesign 为 1.7B。Sonano 当前可选变体以模型库为准。先用同一段文字比较听感、等待时间和 Mac 的资源占用，再决定长期使用哪一个；这里没有把上游服务器测试换算成你的 Mac 速度。

下一步可以查看 Qwen3-TTS 模型说明，或阅读 声音库使用文档。