/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-1.7B-Base
Опубликована
12 июн 2026

mans_model_mostafa

Синтез речиТекст → аудио

Производная модели vadimbelsky/qwen3-TTS-KSA. Дообученная на саудовском диалекте арабского языка модель Qwen3-TTS для синтеза речи из текста.

12скачиваний за 30 дней0лайковвеса обновлены13 июн 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

Карточка модели TTS-ORG/mans_model_mostafa на Hugging Face совпадает с карточкой vadimbelsky/qwen3-TTS-KSA, поэтому описание составлено по ней.

Qwen3-TTS-KSA — дообученная Vadim Belsky модель синтеза речи на основе Qwen/Qwen3-TTS-12Hz-1.7B-Base. Она предназначена для преобразования текста в речь на саудовском диалекте арабского языка, включая Khaleeji. Модель дообучена на арабской части набора KSA_Arabic_English_Dataset_13k; в репозитории указано около 13 тысяч высказываний длительностью от 1 до 20 секунд.

Модель использует плотную архитектуру Qwen3-TTS с классом Qwen3TTSForConditionalGeneration и весами safetensors. Для поддержки арабского добавлены языковой идентификатор и его embedding, языковой префикс для codec-канала, автоматическое распознавание арабского текста и зарегистрирован голос ksa_speaker. Все параметры модели дообучались, а speaker encoder оставался замороженным; embedding зарегистрированного голоса включён в веса модели.

Модель подходит для создания озвучки на саудовском арабском языке с использованием зарегистрированного голоса. Базовая модель также поддерживает клонирование голоса по короткому аудио и дообучение, но README не подтверждает эти возможности для данной версии. Лицензия — Apache-2.0.

Сценарии применения

  • озвучивание текста на саудовском арабском языке
  • создание голосовых сообщений на диалекте Khaleeji
  • генерация арабской речи голосом ksa_speaker

Ограничения

README описывает один зарегистрированный голос — ksa_speaker — и не подтверждает поддержку других голосов или клонирования голоса в этой версии. Обучающие данные были отфильтрованы по длительности от 1 до 20 секунд; качество за пределами этого сценария не охарактеризовано.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-TTS — KSA Arabic Fine-tune

A fine-tuned version of Qwen/Qwen3-TTS-12Hz-1.7B-Base for Saudi Arabian (Khaleeji/KSA) Arabic speech synthesis.

Training data: vadimbelsky/KSA_Arabic_English_Dataset_13k — ~13 k Arabic utterances in the KSA dialect, filtered to 1–20 s duration.


How Arabic support was added

The base model ships with a fixed set of languages in its codec token vocabulary; Arabic was not among them. Adding it required changes at three levels:

1. Arabic language embedding — warm-start initialisation

Arabic was assigned codec token ID 2072. Rather than initialising this embedding randomly, it was set to the mean of all existing language embeddings before training:

ARABIC_LANG_ID = 2072
codec_emb = qwen3tts.model.talker.model.codec_embedding
existing_ids = [v for k, v in config.talker_config.codec_language_id.items() if k != 'arabic']
avg = codec_emb.weight[existing_ids].float().mean(0)
codec_emb.weight[ARABIC_LANG_ID] = avg

2. Language-conditioned codec prefix (4-token think block)

A 4-token block injects the explicit language ID through the codec channel:

pos 3: codec_think_id
pos 4: codec_think_bos_id
pos 5: lang_id          ← Arabic token 2072
pos 6: codec_think_eos_id
pos 7: speaker embedding slot  ← shifted +1 vs. base model

The sequence offset in the collator was adjusted from +8 to +9, and codec_embedding_mask[7] = False so the speaker embedding is injected directly from the speaker encoder.

3. Language auto-detection

dataset.py detects Arabic automatically from Unicode range \u0600–\u06FF, so no explicit language field is needed per sample.

4. KSA speaker registration

Speaker ID 3000 (ksa_speaker) was registered. The embedding is extracted from a reference KSA audio clip by the frozen speaker encoder and written directly into the safetensors weights — the saved model is fully self-contained.


Training setup

SettingValue
Base modelQwen/Qwen3-TTS-12Hz-1.7B-Base
Training datavadimbelsky/KSA_Arabic_English_Dataset_13k (Arabic subset)
OptimizerAdamW, lr=2e-6, weight decay=0.01
Precisionbf16 mixed precision
Gradient accumulation4 steps (effective batch ~32)
Gradient clipping1.0
Epochs5 (this checkpoint: epoch 4)
Losstalker_loss + 0.3 × sub_talker_loss

All model parameters were fine-tuned (no LoRA). The speaker encoder was kept frozen during training.


Inference

Install dependencies:

pip install qwen-tts soundfile torch

Single utterance:

import torch
import soundfile as sf
from qwen_tts.inference.qwen3_tts_model import Qwen3TTSModel

tts = Qwen3TTSModel.from_pretrained(
    "vadimbelsky/qwen3-TTS-KSA",
    dtype=torch.bfloat16,
    device_map="cuda:0",
    attn_implementation="sdpa",
)

wavs, sr = tts.generate_custom_voice(
    text="الحين سويت فنجال قهوة، توني صحيت من النوم",
    speaker="ksa_speaker",
    language="arabic",
)
sf.write("output.wav", wavs[0], sr)

CLI with infer_ksa.py:

python infer_ksa.py \
    --checkpoint vadimbelsky/qwen3-TTS-KSA \
    --text "وين تبي تلتقي الحين؟" \
    --output out_ksa.wav

Output is 24 kHz mono WAV.


Supported speakers & languages

Speaker nameLanguage
ksa_speakerarabic

License

Apache 2.0 — same as the base model.

Как запустить

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

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
44971ed

0 моделей