Apple Silicon 上的文本转语音：MLX + Qwen-TTS 实践

Qwen3-TTS 0.6B 是阿里推出的轻量级文本转语音模型，专为边缘设备优化。结合 Apple 的 MLX 框架，可以在 Mac 上高效运行，充分利用 M 系列芯片的统一内存架构和神经网络引擎。

性能基准

模型: Qwen3-TTS 0.6B (MLX)
硬件: MacBook Pro M3 Max 36GB
推理速度: 实时因子 0.3x（比实时快 3 倍）
内存占用: ~800MB（模型 + 运行时）

实际应用

通过 Hermes Agent 的 TTS 集成，可以直接将文本回复转换为语音消息发送到 Telegram。支持自动 max_tokens 优化和章节分割（按 ===CHAPTER:=== 标记拆分长文本），确保每条语音消息在 Telegram 的时长限制内。

相比云端 TTS 服务，本地推理的优势在于零延迟、零成本、隐私安全——所有音频合成都在本地完成，无需上传文本到第三方服务。