/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-0.6B-Base
Опубликована
25 мая 2026

qwen_tts_finetune_0.6B_e10_l1e6

Синтез речиТекст → аудио3 профессии

Дообученная мультиязычная Qwen3-TTS для синтеза речи по тексту и клонирования голоса говорящего duarte.

66скачиваний за 30 дней0лайковвеса обновлены25 мая 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

Это дообученная модель Qwen3-TTS-12Hz-0.6B-Base, опубликованная пользователем duarteocarmo. Она предназначена для клонирования голоса говорящего duarte и синтеза речи по тексту; при дообучении применено исправление из обсуждения Qwen3-TTS. В README указано 200 обучающих примеров.

Модель использует архитектуру Qwen3-TTS с плотной конфигурацией и генерацией речи на основе дискретных многокодовых последовательностей. Семейство поддерживает китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский языки; базовая модель также поддерживает клонирование голоса по аудиопримеру. Карточка приводит результаты оценки: WER 0,0229, CER 0,0019 и среднюю разницу длительности +0,12 с.

Модель подходит для персонализированной озвучки и создания речи голосом целевого говорящего. Она распространяется по лицензии Apache-2.0. Опубликованные метрики и малый объём обучающих данных не гарантируют качество для других голосов, текстов и условий; характеристики потоковой генерации из README относятся к семейству Qwen3-TTS и не подтверждены отдельно для этого чекпойнта.

Сценарии применения

  • озвучивание текста голосом duarte
  • создание персонализированной голосовой озвучки
  • синтез коротких реплик на поддерживаемых языках

Ограничения

Дообучение выполнено на 200 примерах для одного говорящего, поэтому качество для других голосов не установлено. Метрики приведены в карточке, но условия и набор оценки не описаны.

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

qwen_tts_finetune_0.6B_e10_l1e6

This is a fine-tuned Qwen3-TTS-12Hz-0.6B-Base model for custom voice cloning, applying the fix from QwenLM/Qwen3-TTS#178.

Fine-Tuning Parameters

ParameterValue
Base modelQwen/Qwen3-TTS-12Hz-0.6B-Base
Speakerduarte
Training samples200
Test samples10
Learning rate1e-06
Epochs10
Batch size4
Gradient accumulation4
Seed42
Subcodec inputfalse

Evaluation Results

MetricValue
WER (Word Error Rate)0.0229
CER (Character Error Rate)0.0019
Avg Duration Diff+0.12 s

Qwen3-TTS-12Hz-0.6B-Base (Base Model)

Qwen3-TTS Technical Report | GitHub Repository | Hugging Face Demo

Qwen3-TTS is a family of advanced multilingual, controllable, robust, and streaming text-to-speech models. Trained on over 5 million hours of speech data spanning 10 languages, Qwen3-TTS supports state-of-the-art 3-second voice cloning and description-based control.

This specific checkpoint is the 0.6B Base model, which is capable of rapid voice cloning from a user-provided audio input.

Quickstart

Installation

pip install -U qwen-tts
# Optional: for optimized performance
pip install -U flash-attn --no-build-isolation

Sample Usage (Voice Clone)

To clone a voice and synthesize new content using the Base model, you can use the following code snippet:

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# Load the model
model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-0.6B-Base",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)

# Reference audio for cloning
ref_audio = "https://qianwen-res.oss-cn-beijing.aliyuncs.com/Qwen3-TTS-Repo/clone.wav"
ref_text  = "Okay. Yeah. I resent you. I love you. I respect you. But you know what? You blew it! And thanks to you."

# Generate speech
wavs, sr = model.generate_voice_clone(
    text="I am solving the equation: x = [-b ± √(b²-4ac)] / 2a? Nobody can — it's a disaster (◍•͈⌔•͈◍), very sad!",
    language="English",
    ref_audio=ref_audio,
    ref_text=ref_text,
)

# Save the resulting audio
sf.write("output_voice_clone.wav", wavs[0], sr)

Overview

Introduction

Qwen3-TTS covers 10 major languages (Chinese, English, Japanese, Korean, German, French, Russian, Portuguese, Spanish, and Italian) as well as multiple dialectal voice profiles to meet global application needs. Key features:

  • Powerful Speech Representation: Powered by the self-developed Qwen3-TTS-Tokenizer-12Hz, it achieves efficient acoustic compression and high-dimensional semantic modeling.
  • Universal End-to-End Architecture: Utilizing a discrete multi-codebook LM architecture, it realizes full-information end-to-end speech modeling.
  • Extreme Low-Latency Streaming Generation: End-to-end synthesis latency as low as 97ms, meeting the rigorous demands of real-time interactive scenarios.
  • Intelligent Text Understanding and Voice Control: Supports speech generation driven by natural language instructions, allowing for flexible control over multi-dimensional acoustic attributes.

Model Architecture

Citation

If you find this work useful, please consider citing the technical report:

@article{Qwen3-TTS,
  title={Qwen3-TTS Technical Report},
  author={Hangrui Hu and Xinfa Zhu and Ting He and Dake Guo and Bin Zhang and Xiong Wang and Zhifang Guo and Ziyue Jiang and Hongkun Hao and Zishan Guo and Xinyu Zhang and Pei Zhang and Baosong Yang and Jin Xu and Jingren Zhou and Junyang Lin},
  journal={arXiv preprint arXiv:2601.15621},
  year={2026}
}

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
486cfcd

0 моделей