/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-1.7B-CustomVoice
Библиотека
transformers
Опубликована
9 сен 2026

qwen3-tts-emotion-tags

Синтез речиТекст → аудио3 профессии

LoRA-вариант Qwen3-TTS синтезирует английскую речь девятью встроенными голосами и управляет её эмоцией или темпом с помощью тегов.

207скачиваний за 30 дней8лайковвеса обновлены9 сен 2026

Бенчмарки

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

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

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

Qwen3-TTS with Emotion Tags — дообученный с помощью LoRA вариант Qwen3-TTS-12Hz-1.7B-CustomVoice от SpragAI для синтеза речи с управлением подачей через теги в тексте. Тег эмоции или темпа, например [Angry], [Gentle] или [Fast], задаёт стиль для всей реплики. Модель поддерживает девять тегов и девять встроенных голосов: aiden, dylan, eric, ono_anna, ryan, serena, sohee, uncle_fu и vivian.

Модель сохраняет эмбеддинги голосов базовой модели без изменений. Она принимает текст и выдаёт аудио; обучение проводилось для английского языка. Основа — плотная архитектура Qwen3TTSForConditionalGeneration, размер базовой модели — 1,7 млрд параметров. Для подключения требуется базовая модель Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice. Репозиторий распространяется по лицензии Apache-2.0.

Тег действует на всю реплику, поэтому нельзя назначить разные эмоции отдельным фрагментам одной реплики. Обучение охватывало только английский язык; работа с другими языками не подтверждена.

Сценарии применения

  • синтез английской речи с заданной эмоцией
  • озвучивание реплики одним из девяти встроенных голосов
  • создание быстрой или мягкой по подаче речи
  • генерация грустной, радостной или испуганной озвучки

Ограничения

Тег задаёт стиль всей реплики, а не её отдельных фрагментов. Модель обучалась только на английских данных; поддержка других языков не подтверждена.

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 with Emotion Tags

This finetune provides inline delivery control for the nine Qwen3-TTS CustomVoice presets facilitating emotion controls directly from the transcript.

[Angry] I told them the whole story last night, and now everyone knows what happened.

It covers nine emotion tags across all nine preset voices, with the speaker embeddings left bit-identical to the base model meaning the source voice remains unchanged.

Tags [Angry] [Sad] [Happy] [Fast] [Gentle] [Tired] [Fearful] [Disgusted] [Surprised]

Voices aiden, dylan, eric, ono_anna, ryan, serena, sohee uncle_fu vivian

Usage

pip install qwen-tts
import soundfile as sf
import torch
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "SpragAI/qwen3-tts-emotion-tags",
    dtype=torch.bfloat16,
    attn_implementation="sdpa",
    device_map="cuda:0",
)

wav, sr = model.generate_custom_voice(
    text="[Sad] None of it ever happened in the end.",
    speaker="ryan", language="Auto")
sf.write("out.wav", wav[0], sr)

Samples

I told them the whole story last night, and now everyone knows what happened.

no tag (reference)

[Angry]

[Sad]

[Happy]

[Fast]

[Gentle]

[Tired]

[Fearful]

[Disgusted]

[Surprised]

Limitations

  • Single utterance tags. A tag conditions the whole utterance wherever it appears.
  • English only. Other languages may work but were not included in the training corpus.

Training

baseQwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
methodLoRA r=32, alpha=64, dropout 0.05
targetsq,k,v,o,gate,up,down_proj (talker body)
also trainablethe 15 code_predictor codec input embeddings
frozencode_predictor network, codec_embedding (speaker rows preserved)
optimiserProdigy, d_coef 1.0, batch 4, 3 epochs
corpus76862 rows, 9 speakers, 9 tags, 16.7% with an explicit English prefix

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
879b353

0 моделей