/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-TTS-Tokenizer-12Hz
Библиотека
gguf
Опубликована
11 мая 2026

Qwen3-TTS-GGUF

Синтез речиТекст → аудио3 профессии

Qwen3-TTS-GGUF — набор весов в формате GGUF для qwentts.cpp, C++17/GGML-порта модели Qwen3-TTS 12 Hz, разработанной командой Qwen и Alibaba.

343 тыс.скачиваний за 30 дней59лайковвеса обновлены9 сен 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 из текста, включая многоязычный zero-shot TTS с именованными дикторами и диалектами мандаринского китайского, клонирование голоса по референсному аудиофрагменту и, в версии VoiceDesign 1.7B, создание голоса по текстовому описанию его характеристик. Поддерживаются китайский, английский, французский, немецкий, испанский, итальянский, португальский, японский, корейский, русский и арабский языки.

Комплект использует две совместно загружаемые GGUF-модели: talker на базе Qwen3 с code predictor MTP head и опциональным speaker encoder, который преобразует текст в коды с частотой 12 Hz, и общий аудиотокенизатор на базе SEANet, ConvNeXt, DAC v2 и RVQ, преобразующий коды в монофонический звук с частотой 24 кГц и обратно. Доступны размеры talker 0.6B и 1.7B; режимы Base и CustomVoice доступны для обоих размеров, а VoiceDesign — только для 1.7B. Варианты F32, BF16, Q8_0 и Q4_K_M позволяют выбирать между точностью, размером и требованиями к VRAM.

Сильные стороны модели — многоязычность, поддержка нескольких сценариев генерации и клонирования голоса, работа на CPU и через CUDA, Metal или Vulkan, а также заявленное первое место по времени до первого аудио в потоковом тесте Open TTS Leaderboard по состоянию на 9 сентября 2026 года. Ограничения включают необходимость совместной загрузки talker и токенизатора, значительный объём файлов для версии 1.7B и зависимость качества и ресурсоёмкости от выбранной квантизации; конкретный максимальный контекст в README не указан. Модель и аудиокодек распространяются по Apache 2.0, инструменты GGUF-порта qwentts.cpp — по MIT.

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

Qwen3-TTS GGUF

GGUF weights for qwentts.cpp, a C++17/GGML port of Qwen3-TTS 12 Hz (Qwen team, Alibaba). Multilingual zero shot TTS with named speakers and Mandarin dialects, 24 kHz mono. Runs on CPU, CUDA, Metal, Vulkan.

Files

Two GGUFs load together :

qwen-talker-{size}-{mode}-{variant}.gguf Qwen3 LM + code predictor MTP head + optional speaker encoder, text -> 12 Hz codes qwen-tokenizer-12hz-{variant}.gguf SEANet + ConvNeXt + DAC v2 + RVQ, 12 Hz codes <-> 24 kHz audio

Three modes are available across two talker sizes :

mode0.6B1.7Buse case
baseyesyeszero shot TTS with named speakers and dialects
customvoiceyesyeszero shot voice cloning from a reference clip
voicedesignnoyesvoice synthesis from attribute description

The tokenizer is shared across every talker.

varianttalker 0.6Btalker 1.7Btokenizeruse case
F323.7 GB7.7 GB647 MBreference, debug, conversion
BF161.8 GB3.9 GB359 MBsource faithful, max precision
Q8_0993 MB2.1 GB291 MBrecommended default
Q4_K_M629 MB1.2 GB255 MBlowest VRAM

Quick start

git clone --recurse-submodules https://github.com/ServeurpersoCom/qwentts.cpp.git
cd qwentts.cpp && ./buildcuda.sh
mkdir -p models
huggingface-cli download Serveurperso/Qwen3-TTS-GGUF \
    qwen-talker-1.7b-base-Q8_0.gguf qwen-tokenizer-12hz-Q8_0.gguf \
    --local-dir models
cd examples
./base.sh         # named speaker      -> base.wav
./clone.sh        # voice cloning      -> clone.wav
./customvoice.sh  # custom voice mode  -> customvoice.wav
./tts.sh          # voice design       -> tts.wav

Backends

Set GGML_BACKEND to force a device, otherwise the runtime picks the best one available.

valuetarget
CUDA0NVIDIA GPU, fastest path on Ada / Blackwell
Vulkan0Cross vendor GPU (AMD / Intel / NVIDIA)
MetalApple Silicon GPU
CPUCPU fallback, x86 variant auto selected

Quantization policy

Tokenizer GGUFs are not uniform quants. Three categories get a dedicated treatment :

tensordtype across all variants
RVQ codebooks, input_proj / output_proj, speaker encoder fcF32
1D tensors (gamma, biases, norms, snake alpha and beta)F32
Conv kernels with non alignable rows (K=7,3,1)F16 in Q* variants

Conv kernel rows (K=7,3,1) never divide a K-quant block size, so the quantizer skips the Q* intermediates and lands on F16 directly. This is the last resort branch of llama.cpp's tensor_type_fallback applied unconditionally for these kernels. F16 has no block size and matches the runtime target dtype on every backend. The talker LM (Qwen3 backbone, hidden divisible by 256) follows standard llama.cpp K-quant across variants. The code predictor MTP head and the speaker encoder live in the talker GGUF and share its quantization.

Evaluation

As of September 9, 2026, on Hugging Face's Open TTS Leaderboard, Qwen3-TTS-GGUF ranks 🥇 1st on TTFA (time-to-first-audio) in the leaderboard's streaming benchmark — the fastest of any model to start producing audio in a single-request, streaming-mode setting.

License

Upstream model : Qwen3-TTS by Alibaba / Qwen team, Apache 2.0 Audio codec : Qwen3-TTS-Tokenizer-12Hz (Qwen team), Apache 2.0 GGUF tooling : qwentts.cpp, MIT

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

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

Ревизия весов
b7ee2e8

0 моделей