/ 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-CustomVoice

Синтез речиТекст → аудио3 профессии

Дообученная Qwen3-TTS-модель синтезирует китайскую речь для прямых трансляций шестью встроенными голосами с управлением паузами и скоростью.

68скачиваний 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

Qwen3-TTS-TBLive-CustomVoice — дообученная модель TaoLiveAIGC на базе TaoLiveAIGC/Qwen3-TTS-TBLive-Base для синтеза речи по тексту в сценариях прямых трансляций и продаж. Она использует архитектуру Qwen3-TTS и содержит шесть встроенных голосов: женские и мужские варианты для профессиональной подачи, тёплой рекомендации и энергичного продвижения.

Голос выбирается по идентификатору диктора. В текст можно встраивать управляющие токены для пауз и изменения скорости последующей речи. Метаданные указывают китайский язык и формат весов safetensors; базовая модель Qwen3-TTS-12Hz-1.7B-Base описана как многоязычная, но карточка этой версии подтверждает китайский. Модель распространяется по лицензии Apache-2.0.

Сценарии применения

  • озвучивание презентации товара на прямой трансляции
  • создание тёплой рекомендательной озвучки
  • энергичная озвучка рекламного предложения
  • синтез речи выбранным мужским или женским голосом
  • добавление пауз и изменение темпа речи через текстовые токены

Ограничения

Карточка подтверждает поддержку китайского языка; возможность синтеза на других языках для этой версии не заявлена. Встроенные голоса и стили ограничены шестью дикторами и тремя сценариями подачи.

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-CustomVoice

A CustomVoice checkpoint fine-tuned from TaoLiveAIGC/Qwen3-TTS-TBLive-Base. It ships six built-in open-source speakers spanning three live-streaming styles — professional presentation (专业讲解), warm recommendation (贴心推荐), and energetic promotion (激情促销) — each in a female and a male voice, plus inline instruction-control tokens for pause and speaking-rate control.

Built-in speakers

Pass the speaker ID to generate_custom_voice(text, speaker=...):

SpeakerGenderStyleSpeaker ID
专业讲解女FemaleProfessional presentation (专业讲解)115
专业讲解男MaleProfessional presentation (专业讲解)96
温柔女音FemaleWarm recommendation (贴心推荐)26
温柔男音MaleWarm recommendation (贴心推荐)80
激情促销女FemaleEnergetic promotion (激情促销)4
激情促销男MaleEnergetic promotion (激情促销)1

Instruction control tokens

Insert the following tokens directly into the input text; they are interpreted inline at the position where they appear.

Silence / pause tokens — each token synthesizes a pause within a fixed duration band:

TokenPause duration
<sil_L2>0.55 – 0.70 s
<sil_L3>0.80 – 0.95 s
<sil_L4>1.05 – 1.20 s
<sil_L5>1.30 – 1.45 s
<sil_L6>1.55 – 2.50 s

Speed tokens — like silence tokens, they can be inserted anywhere in the text and adjust the speaking rate of the speech that follows:

TokenEffect
[speed_e2]Faster speech
[speed_d2]Slower speech

Quickstart

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

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

wavs, sr = model.generate_custom_voice(
    text="[speed_e2] 家人们,最后一波福利来了!<sil_L3> 库存不多,喜欢的抓紧下单!",
    speaker="4",  # 激情促销女
)

For speaker registration (baking new speakers into a fine-tuned checkpoint), training pipelines, and inference post-selection, 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, six speakers baked in)
├── config.json / configuration.json / generation_config.json
├── preprocessor_config.json
├── tokenizer_config.json / vocab.json / merges.txt
├── tokenizer.json / added_tokens.json / special_tokens_map.json
└── 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
985f468

0 моделей