Характеристики

Лицензия: Apache 2.0
Базовая модель: Qwen3-TTS-12Hz-0.6B-Base
Опубликована: 18 июн 2026

Ссылки

Qwen3-TTS-12Hz-0.6B-GGUF

Синтез речиТекст → аудио3 профессии

BricksDisplay/Qwen3-TTS-12Hz-0.6B-GGUF — это конвертация базовой модели Qwen/Qwen3-TTS-12Hz-0.6B-Base, разработанной Alibaba в рамках семейства Qwen3.

1 017скачиваний за 30 дней0лайковвеса обновлены5 авг 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

Модель предназначена для синтеза речи и клонирования голоса по эталонной аудиозаписи. Она представлена в формате GGUF и состоит из двух файлов: backbone и codec вместе с codec_lm, поэтому для инференса требуется совместимый runtime, например llama.cpp для backbone и codec.cpp для аудиокомпонентов.

Архитектура включает Qwen3 talker на 28 слоях со скрытым размером 1024, аудиотокенизатор с 16 кодовыми книгами RVQ и частотой кадров 12,5 Гц, а также четырёхслойный depth decoder в codec_lm. Это аудиомодальная codec_lm-модель: первый код генерируется самим codec_lm, после чего коды преобразуются в монофонический PCM-аудиосигнал с частотой 24 кГц. Заявлена поддержка английского, китайского, японского, корейского, французского, немецкого, испанского, итальянского, португальского и русского языков.

Для клонирования голоса нужны эмбеддинг говорящего размерностью 1024 и коды эталонной аудиозаписи. Энкодер говорящего в комплект не входит, поэтому требуется отдельная модель Qwen/Qwen3-TTS-12Hz-Speaker-Encoder или заранее подготовленный артефакт. Доступны варианты квантования backbone от F32 до Q2_K и codec от F32 до Q4_K_M, что позволяет выбирать между качеством и требованиями к памяти. Модель распространяется по лицензии Apache-2.0.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.9Универсальные способностиАудио и музыкаAI помогает анализировать, очищать, преобразовывать и создавать звук и музыку.15 задач4 835моделей I.15Универсальные способностиДоступность и ассистивные технологииAI помогает делать цифровую и физическую среду доступнее для людей с различными ограничениями.17 задач8 953модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-TTS-12Hz-0.6B GGUF

GGUF conversion of Qwen/Qwen3-TTS-12Hz-0.6B-Base — Alibaba's Qwen3-based voice-clone TTS model with a 16-codebook RVQ audio tokenizer at 12.5 Hz frame rate.

The model splits into two GGUFs:

Backbone (qwen3-tts-0.6b-<quant>.gguf) — the Qwen3 talker (28 layers, hidden 1024) extracted from talker_config. Stock qwen3 arch, runs in stock llama.cpp with embeddings=true. Vocab 3072 (audio-only cb-0); tie_word_embeddings=true.
Codec + codec_lm (codec-<quant>.gguf) — the qwen3_tts_tokenizer audio tokenizer (12.5 Hz frame rate, 16 RVQ codebooks) bundled with the residual_depth_ar codec_lm adaptor (4-layer Qwen3-style depth decoder + 15 codebooks_head slices + per-cb audio embed tables). Runs in codec.cpp.

This is an audio-modality codec_lm: cb-0 is sampled by the codec_lm itself (not the backbone's lm_head); the backbone's hidden state feeds the depth decoder. No text token mid-stream.

Voice cloning is driven by the speaker encoder + reference codes path. The processor pulls spk_emb (1024-dim) from a separate wav2vec2-style speaker encoder and pairs it with ref-audio codes from the codec encoder. Both must be precomputed (the speaker encoder isn't bundled here; consume Qwen/Qwen3-TTS-12Hz-Speaker-Encoder or use a precompiled speaker artefact).

Files

Backbone (`qwen3-tts-0.6b-<quant>.gguf`)

File	Size
`qwen3-tts-0.6b-f32.gguf`	1.2 GB
`qwen3-tts-0.6b-f16.gguf`	850 MB
`qwen3-tts-0.6b-bf16.gguf`	850 MB
`qwen3-tts-0.6b-q8_0.gguf`	453 MB
`qwen3-tts-0.6b-q6_k.gguf`	351 MB
`qwen3-tts-0.6b-q5_1.gguf`	321 MB
`qwen3-tts-0.6b-q5_k_m.gguf`	302 MB
`qwen3-tts-0.6b-q5_0.gguf`	295 MB
`qwen3-tts-0.6b-q5_k_s.gguf`	295 MB
`qwen3-tts-0.6b-q4_1.gguf`	269 MB
`qwen3-tts-0.6b-q4_k_m.gguf`	257 MB
`qwen3-tts-0.6b-q4_k_s.gguf`	244 MB
`qwen3-tts-0.6b-q4_0.gguf`	242 MB
`qwen3-tts-0.6b-q3_k_l.gguf`	230 MB
`qwen3-tts-0.6b-q3_k_m.gguf`	209 MB
`qwen3-tts-0.6b-q3_k_s.gguf`	186 MB
`qwen3-tts-0.6b-q2_k.gguf`	161 MB

Codec + codec_lm (`codec-<quant>.gguf`)

File	Size
`codec-f32.gguf`	933 MB
`codec-f16.gguf`	608 MB
`codec-q8_0.gguf`	565 MB
`codec-q5_k_m.gguf`	548 MB
`codec-q4_k_m.gguf`	542 MB

Inference shape (audio-modality codec_lm AR)

backbone (Qwen3, embeddings=true) hidden h
    → codec_lm_step_begin(state, h)
    → for cb in 0..15: codec_lm_step_logits → sample → codec_lm_step_push_code
    → codec_lm_step_finish → codes[16]
    → codec_lm_compose_audio_embd(codes) → next-step embedding
    → feed via b.embd; loop until EOS

Output codes (T × 16) feed directly into codec_decode to produce 24 kHz mono PCM.

Sources

Upstream model: Qwen/Qwen3-TTS-12Hz-0.6B-Base
Conversion tooling: mybigday/codec.cpp (prep_qwen3_tts + lm_adaptor/qwen3_tts.py)
Inference runtime: mybigday/llama.rn

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов: f585ae3