/ Модель

Характеристики

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

Qwen3-TTS-TBLive-Base

Синтез речиТекст → аудио3 профессии

Дообученная на речи китайских прямых трансляций модель Qwen3-TTS для синтеза речи и дальнейшей адаптации под эфирные сценарии.

91скачиваний за 30 дней3лайкавеса обновлены30 июл 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

TaoLiveAIGC разработала Qwen3-TTS-TBLive-Base — плотную модель синтеза речи из текста на архитектуре Qwen3-TTS. Это дообученный с помощью продолженного предобучения и GRPO чекпойнт на данных речи для китайских прямых трансляций; он основан на Qwen/Qwen3-TTS-12Hz-1.7B-Base и распространяется в формате safetensors. Лицензия — Apache-2.0.

Модель предназначена прежде всего как отправная точка для дальнейшего дообучения под задачи синтеза речи в прямых трансляциях. Карточка также приводит результаты оценки клонирования голоса по короткому образцу на английских и китайских тестовых наборах. Для использования готовых встроенных голосов в производстве разработчик рекомендует родственную модель TaoLiveAIGC/Qwen3-TTS-TBLive-CustomVoice.

Сценарии применения

  • дообучение синтеза речи для прямых трансляций
  • создание озвучки для китайских эфиров
  • клонирование голоса по аудиообразцу в экспериментах
  • адаптация базовой TTS-модели под речь ведущего

Ограничения

Чекпойнт рекомендован как основа для дальнейшего дообучения; для готовых производственных голосов автор советует родственную модель CustomVoice. Приведённая оценка клонирования голоса охватывает английские и китайские тестовые наборы, но карточка не сообщает результаты для всех сравнений.

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-TBLive-Base

A Chinese live-streaming domain TTS checkpoint fine-tuned from Qwen3-TTS-12Hz-1.7B-Base via continual pre-training (CPT) and GRPO post-training on live-streaming speech data.

Recommended starting point for downstream fine-tuning. If you need production-ready built-in live-streaming voices, use the sibling checkpoint TaoLiveAIGC/Qwen3-TTS-TBLive-CustomVoice.

Benchmark

Zero-shot voice-cloning results on the public seed-tts-eval test sets, compared against open-source baselines. / marks numbers not reported.

Modeltest-en SIM-o ↑test-en WER ↓test-en UTMOS ↑test-zh SIM-o ↑test-zh WER ↓test-zh UTMOS ↑
Ground-truth0.7342.143.520.7551.252.78
IndexTTS20.7062.333.650.7641.053.00
CosyVoice30.6962.173.960.7781.143.32
VoxCPM0.7311.923.770.7720.992.94
MossTTS Local0.7321.93/0.7961.44/
Qwen3-TTS0.7081.544.160.7661.153.46
Qwen3-TTS-TBLive-Base0.7321.634.110.7821.283.38

Quickstart

pip install -U qwen-tts
import torch
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "TaoLiveAIGC/Qwen3-TTS-TBLive-Base",
    device_map="cuda:0",
    dtype=torch.bfloat16,
)

# Zero-shot voice cloning with a short reference audio
wavs, sr = model.generate_voice_clone(
    text="家人们,今天直播间的福利真的拉满了!",
    language="Chinese",
    ref_audio="path/to/reference.wav",
    ref_text="参考音频对应的文本",
)

For training pipelines (SFT / GRPO), inference post-selection, and advanced usage, see the companion training repository. For upstream features (vLLM serving, DashScope API, deployment), refer to the upstream Qwen3-TTS repository.

Checkpoint contents

├── model.safetensors            # main checkpoint (~3.6 GB)
├── config.json / configuration.json / generation_config.json
├── preprocessor_config.json
├── tokenizer_config.json / vocab.json / merges.txt
└── speech_tokenizer/            # 12 Hz speech tokenizer (~651 MB, same as upstream)

License

Released under the Apache License 2.0, consistent with upstream Qwen3-TTS.

Acknowledgements

Our sincere thanks to the Qwen team for open-sourcing Qwen3-TTS — the base model, tokenizer, and reference training / inference code that make this work possible.

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
0a961ad

0 моделей