文章展示了把 Qwen3-TTS Base 的说话人嵌入交给 CustomVoice 模型,使克隆声音也能接受语气指令,并用嵌入混合生成自定义音色。作者还比较了嵌入用于说话人识别的效果:会议录音片段作参考时,Qwen3 未能奏效;改用播客开头的自我介绍片段后,识别了其余窗口的98%,而 ECAPA 用会议片段识别了97%的窗口。