用 Qwen3-TTS 制作自定义音色

作者基于 Qwen3-TTS 的 Base、CustomVoice、VoiceDesign 三个模型实测自定义音色，用 28 秒演讲录音做克隆，并通过 2048 维说话人嵌入的加权混合生成新音色。文章还给出把 Base 提取的嵌入交给 CustomVoice 以在克隆音色上使用情感指令的代码，并尝试用男女音色均值差构造性别方向向量来移动音色。