/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
3,7 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-0.6B-Base
Библиотека
qwen-tts
Опубликована
16 сен 2026

qwen3-0.6b-tr

Синтез речиТекст → аудио3 профессии

Турецкая модель синтеза речи, которая озвучивает текст голосом, заданным короткой эталонной записью.

324скачиваний за 30 дней2лайкавеса обновлены17 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

erkamk разработал Qwen3 0.6B Turkish — турецкую адаптацию модели Qwen3-TTS-12Hz-0.6B-Base для синтеза речи по тексту с заданным голосом. Модель принимает текст на турецком и чистую эталонную запись речи длительностью 5–10 секунд, из которой извлекает характеристики говорящего. Она создаёт несегментированное аудио с частотой дискретизации 24 кГц; в состав поставки входят около 1,1 млрд параметров, включая 0,6 млрд параметров talker и речевой токенизатор.

Модель дообучена на примерно 2 277 часах турецкой речи из датасета Kiraat. Она подходит для озвучивания предложений и абзацев с голосом, выбранным по аудиопримеру, без отдельного дообучения под каждого говорящего. Лицензия — Apache-2.0.

Качество снижается при вводе чисел цифрами, дат, цен, английских слов и смешанных турецко-английских фраз; такие данные рекомендуется записывать словами по-турецки. Модель обучалась один проход, и обучение завершилось до стабилизации dev loss, поэтому она может допускать ошибки произношения. Режимы генерации, отличные от указанной конфигурации с эталонной записью и несегментированным выводом, не проверялись.

Сценарии применения

  • озвучивание турецких абзацев заданным голосом
  • создание турецкой озвучки по аудиопримеру диктора
  • синтез турецкой речи для демонстрационных записей
  • генерация голосовых фраз для турецкоязычного интерфейса

Ограничения

Числа, даты, цены, английские слова и смешанная турецко-английская речь могут синтезироваться нестабильно; числовые данные лучше вводить словами. Модель обучалась один проход и не достигла сходимости, а другие режимы генерации не проверялись.

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 0.6B Turkish

A Turkish text-to-speech adaptation of Qwen/Qwen3-TTS-12Hz-0.6B-Base, trained on roughly 2,277 hours of Turkish read speech from Kiraat. Current listening samples show clear, natural-sounding speech with strong audio quality.

Give it a clean 5–10 second Turkish reference recording to choose the voice. It does not require per-voice fine-tuning or a fixed voice list.

Samples

Each sample uses a different voice from dataset and reads a paragraph. The reference clips and sample text were not used for training.

SampleTextAudio
1İstanbul'da sabahları vapurla karşıya geçmek, şehrin en eski alışkanlıklarından biri. Martıların sesi, uzaktan gelen düdükler ve suyun üstünde açılan yol, güne sakin bir başlangıç yapar.
2Anadolu'nun küçük kasabalarında akşam olunca sokaklar birden sessizleşir. Kahvede tavla oynayanlar evlerine dağılır, çeşmeden su dolduran çocuklar koşarak uzaklaşır. Gün, yavaşça karanlığa bırakır yerini.
3Bilim insanları yıllardır uzayın derinliklerinden gelen sinyalleri inceliyor. Bu sinyallerin bir kısmı yıldızların doğumuna, bir kısmı ise çok uzak galaksilerin hareketine işaret ediyor. Her yeni ölçüm, evrenin bilinen sınırlarını biraz daha genişletiyor.
4Bir kitabı yeniden okumak, aynı metinden farklı bir anlam çıkarmak gibidir. Yıllar geçtikçe cümleler değişmez, ama onları okuyan kişi artık aynı kişi değildir. Bu yüzden bazı kitaplar, her okunuşta başka bir kitaba dönüşür.

Model

  • Base model: Qwen3-TTS-12Hz-0.6B-Base at revision 5d83992
  • Parameters: ~1.1B packaged (0.6B talker, plus speech tokenizer)
  • Audio frame rate: 12 Hz
  • Sample rate: 24 kHz
  • Language: Turkish (Auto conditioning; no new language token)
  • Voice control: Reference recording → speaker x-vector
  • Output: Non-streaming

Only the talker was trained. The audio codec and speaker encoder are frozen from the base model.

Training data

Training used serdarcaglar/kiraat at revision 75b3297, after filtering for duration, speech ratio, speaker consistency and audio quality.

  • Training clips: 1,388,236
  • Audio: ~2,277 hours
  • Speakers: 54
  • Source recordings: 2,540
  • Held-out evaluation: 128 clips each for dev and test

Text was kept in its spoken form, and recordings whose text overlaps the evaluation sets were removed. Separate readings of the same text were kept.

Training ran for one epoch (21,691 updates) with 64 clips per update. Dev loss went from 2.885 to 2.710 across the run.

Try it yourself

from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained("erkamk/qwen3-0.6b-tr")
wavs, sr = model.generate(
    text="Merhaba, size nasıl yardımcı olabilirim?",
    language="Auto",                # no explicit Turkish token
    reference_audio="reference.wav",  # clean 5-10 second Turkish recording
    x_vector_only_mode=True,
    non_streaming_mode=True,
)

Use a reference recording with one speaker, no music or noise, and normal speech level. Match the settings above; other generation modes were not trained or tested. Paragraph-length text works well — a few sentences per call is a good range. See Limitations before using prices, dates or English words as input.

Limitations

Numbers written as digits. Training kept spoken forms, so 1.299,90 TL is often garbled. Write prices and dates out in words before synthesis: bin iki yüz doksan dokuz lira doksan kuruş. This fixes most cases without retraining.

English words and brand names. WhatsApp, iPhone, and mixed Turkish-English sentences come out unstable. Code-switching is not supported in this release.

One epoch. Dev loss was still improving when the epoch ended, so the model is under-trained rather than converged. Longer training and broader data should help.

Pronunciation-level issues like the first two are exactly what reinforcement learning targets: generate candidates, score them with an automatic Turkish judge, and update on the good ones. Doing that with a well-designed reward is the next step for this model. Until then, prefer spoken-form input.

License and attribution

Weights are released under Apache 2.0, inherited from the Qwen base model. Changes from the base checkpoint are described in Model above.

Training data attribution:

Serdar I. Çağlar, Kiraat: a Turkish read-speech corpus for text-to-speech, Hugging Face, 2026. https://huggingface.co/datasets/serdarcaglar/kiraat

Kiraat is gated and lists its source channels in its own card. Keep that attribution with any redistribution. Its terms state that rights to the original recordings remain with the uploaders, so dataset access does not by itself clear a narrator's voice for reuse.

You are responsible for using voice cloning and generated speech lawfully and with appropriate consent, including any jurisdiction-specific rules on synthetic voices and disclosure.

Как запустить

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

GPU в ailist

Универсальный рантайм · qwen-tts

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
6a3ec07

0 моделей