[犀牛鸟 2026 #6791] Qwen3-TTS 0.6B CustomVoice ncnn_llm 独立 PR 与双平台音频回归

[March-77]

Issue 要求逐项核对

对应任务：Tencent/ncnn#6791。实现位于共享 ncnn_llm 仓库的独立 Qwen3-TTS 分支，不另建模型专用 GitHub 仓库。

Issue 要求	状态	实现与证据
使用 pnnx 转换 Qwen3-TTS	已完成	convert.py，显式固定 shape 并拒绝残余 pnnx.* / Tensor.* runtime op
C++ 实现解码并尽量减少依赖	已完成	src/tts/；部署不导入 Python、PyTorch 或 Transformers
相同输入下最终音频与 PyTorch 一致	固定 2-frame 回归通过	32/32 离散 audio codes 精确；3,840 个 PCM16 样本全部在 1 LSB 内，其中 3,732 个完全相等；不声称 PyTorch WAV 字节级完全相同
CMake 至少两个平台编译运行	已完成	Ubuntu 24.04 WSL 与原生 Windows 11 均完成构建、CTest 3/3 和真实音频生成
Discussion 技术总结与 repo URL	本文	repo、分支、PR、包、命令和原始证据均列于下文
可选：向 ncnn_llm 提交 PR	已完成	nihui/ncnn_llm#7

仓库、分支与模型版本

• Repo：March-77/ncnn_llm
• 独立分支：model/qwen3-tts
• Upstream PR：nihui/ncnn_llm#7
• Checkpoint：Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice@85e237c12c027371202489a0ec509ded67b5e4b5
• 公开运行包：helloworldzzr/Qwen3-TTS-0.6B-ncnn
• 包校验：80 个 manifest payload 加真实 conversion.json；匿名逐文件大小与 SHA-256 校验通过，Hub revision fe1a84969829bb0ac5cfe42877b8caa3a7d36cfa

构建与复现

Linux/WSL：

cmake -S . -B build -DNCNN_SOURCE_DIR=/path/to/ncnn
cmake --build build --target qwen3_tts_main -j
ctest --test-dir build --output-on-failure
build/qwen3_tts_main \
  --model /path/to/qwen3-tts-ncnn/model.json --frames 2 \
  --text-file models/qwen3-tts/testdata/prompt.txt \
  --speaker Ryan --language English \
  --out output.wav --codes output-codes-i32.bin --threads 8

原生 Windows 使用相同输入和参数：

cmake -S . -B build-win -DNCNN_SOURCE_DIR=C:/path/to/ncnn
cmake --build build-win --target qwen3_tts_main
ctest --test-dir build-win --output-on-failure
build-win/qwen3_tts_main.exe --model C:/path/to/qwen3-tts-ncnn/model.json `
  --frames 2 --text-file models/qwen3-tts/testdata/prompt.txt `
  --speaker Ryan --language English --out output.wav `
  --codes output-codes-i32.bin --threads 8

同输入比较结果

固定 fixture：Hello, welcome to Qwen text to speech.，speaker Ryan，language English，2 个 12 Hz frame，greedy generation。

后端	Audio codes	PCM16 结果
PyTorch	32 codes	3,840 samples / 24 kHz baseline
WSL ncnn	32/32 exact	全部样本在 1 LSB 内，3,732/3,840 完全相同
Windows ncnn	32/32 exact	codes 与 WAV 均和 WSL 字节级相同

• ncnn codes SHA-256：8550f3b28f8bea426a225ec0fe0d09e37eb13df169583bd823d23bd78aed0d9d
• ncnn WAV SHA-256：e7e6a3ca40dcdd2a84a8c7384f7e09c06d4a1a9907940d7bc26c0d91d4dffcf1
• Windows/WSL 比较 receipt 均为 passed: true

1 LSB 容差只用于最后的 float-to-PCM16 舍入边界；离散 audio codes 是精确一致的。

原始日志、音频与机器可读证据

证据	WSL/Linux	原生 Windows
Runtime log	runtime-2f.log	runtime-2f.log
CTest	ctest.log	ctest.log
比较 receipt	compare.json	compare.json
ncnn 产物	codes / WAV	codes / WAV

PyTorch 原始参考为 reference-2f.log，转换来源保存在 convert-final.log 与 receipt.json。

结论边界

25-frame 压力样例因自回归浮点差异，从 frame 6 开始改变 greedy 分支。因此这里只声称固定 2-frame fixture 的 codes 精确一致和 PCM 1-LSB 比较通过，不声称任意长度音频逐样本严格一致。