DEV Community · Show DEV8/14 22:3458 分
在Mac上本地运行文本转语音，无需云API
How to Run Text-to-Speech Locally on a Mac Without Cloud APIs
开发者因云TTS服务费用高昂，构建了Sovereign Voice，实现在Mac上完全本地运行文本转语音。云服务如ElevenLabs等，10分钟配音需2-5美元，日更频道每月TTS费用达100-300美元。本地方案使用阿里Qwen3-TTS模型（0.6B参数，Apache-2.0许可），通过MLX框架在Apple Silicon上运行。所需条件：M1及以上Mac、Python 3.11、约2GB磁盘空间。首次运行从HuggingFace下载1.9GB模型，之后完全离线。通过提供10-30秒参考音频及文本，实现声音克隆，无需微调。质量测试：Whisper WER为0.038（准确率96.2%），ECAPA-TDNN余弦相似度0.699，接近同人基线。M4上首块音频0.95秒，12词句子5.9秒，生成速度0.775倍实时。