/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-0.6B
Опубликована
19 июл 2026

aivoice

Синтез речиТекст → аудио3 профессии

ViiTorVoice-NAR — дообученная модель синтеза речи для клонирования голоса, локального редактирования аудио и управления эмоциями.

166скачиваний за 30 дней1лайквеса обновлены22 июл 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Anthropic-ai/aivoice — набор локальных компонентов ViiTorVoice-NAR, модели генерации речи, предназначенной для клонирования голоса, локального редактирования речи и управления эмоциями и паралингвистическими характеристиками. README описывает компоненты: LLM генерирует речевые токены с учётом текста, токенов речи-примера, масок редактирования, длительности и меток эмоций; DualCodec кодирует и декодирует аудио, а W2V-BERT 2.0 извлекает семантические признаки речи.

Модель поддерживает синтез речи по тексту, сохранение характеристик говорящего по аудиопримеру, замену отдельных фрагментов высказывания и управление эмоциональными или невербальными вокальными событиями. Метаданные указывают архитектуру Qwen3-TTS, дообучение Qwen/Qwen3-0.6B, форматы ONNX и safetensors и языки китайский, английский, японский и корейский. Лицензия указана как Apache-2.0.

Сценарии применения

  • синтез речи с сохранением голоса по аудиопримеру
  • замена изменённого фрагмента в существующей записи
  • генерация речи с заданной эмоцией
  • создание невербальных вокальных событий

Ограничения

Для загрузки требуется сохранить структуру каталогов компонентов, согласованную с кодом проекта. README советует проверять условия лицензирования и использования каждого подмодуля отдельно.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

notebook https://cuty.io/pQGWF3c7

ViiTorVoice-NAR Local Models

GitHub Hugging Face Demo

This directory contains the local model files used by viitor-ai/viitor-voice-nar.

ViiTorVoice-NAR is a non-autoregressive speech generation model for voice cloning, local speech editing, and emotion / paralinguistic speech control. The files in this directory are split by function so each model component can be loaded independently.

Directory

local_models/
├── aligner/
│   └── Qwen3-ForcedAligner-0.6B/
├── assets/
│   └── dualcodec_silence_2s.pt
├── dualcodec/
│   ├── dualcodec_ckpts/
│   └── w2v-bert-2.0/
└── llm/
    └── 0p6_emotion/

Model Components

ComponentPathPurpose
ViiTorVoice-NAR LLMllm/0p6_emotion/Generates target speech tokens from text, prompt speech tokens, edit masks, duration conditions, and emotion or non-verbal tags.
DualCodecdualcodec/dualcodec_ckpts/Converts waveform audio into discrete speech codebook tokens and decodes generated tokens back into waveform audio.
W2V-BERT 2.0dualcodec/w2v-bert-2.0/Extracts semantic speech features used by the DualCodec encoder.
Qwen3 Forced Aligneraligner/Qwen3-ForcedAligner-0.6B/Aligns speech audio with text and provides timestamps for local speech editing.
Runtime Assetsassets/Stores small auxiliary files, such as precomputed silence tokens used during generation or padding.

Main Uses

  • Voice cloning: synthesize new speech from target text while preserving the speaker characteristics of prompt audio.
  • Local speech editing: replace only the changed region of an utterance while keeping the rest of the audio stable.
  • Emotion and paralinguistic control: condition generation with tags such as emotion labels or non-verbal vocal events.

Notes

  • Keep the directory structure unchanged unless the loading code is updated as well.
  • Model weights are large binary files and are usually stored outside normal git tracking.
  • Check the upstream project and each submodel for license and usage terms.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Нельзя запустить

В репозитории нет speech_tokenizer/config.json, generation_config.json: qwen-tts не соберёт модель.

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
5443e84

0 моделей