audio.cpp 实现 MiniMax-H3：TTS/语音克隆/音乐生成，RTX 5090 上 3 倍实时

Acceptable-Cycle4645 · reddit · 2026-08-17

audio.cpp 项目实现了 MiniMax-H3 的文本到音频流水线，可用于 TTS、语音克隆和音乐生成。该实现比专用音频模型更灵活强大，在 RTX 5090 上性能可达 3 倍实时。它支持多说话人对话演示，并简化了 DiT 模型的设置，无需手动配置 SageAttention 等。此外，该实现还能生成视频帧，因为 DiT 同时生成音频和视频潜在表示。MiniMax-Music3 预览版已发布，支持 CUDA/Vulkan/HIP，VRAM 使用量取决于音频时长和提示长度。