/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
MIT
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-0.6B-Base
Библиотека
transformers
Опубликована
2 апр 2026

gwen-tts-0.6B

Синтез речиТекст → аудио3 профессии

Gwen-TTS 0.6B синтезирует естественную вьетнамскую речь из текста и клонирует голос по короткому аудиопримеру.

4 866скачиваний за 30 дней28лайковвеса обновлены3 апр 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

Gwen-TTS 0.6B — дообученная модель синтеза речи от g-group-ai-lab на базе Qwen/Qwen3-TTS-12Hz-0.6B-Base. Она преобразует текст в речь и поддерживает клонирование голоса по нескольким секундам аудиопримера. Модель построена на архитектуре Qwen3-TTS и распространяется в формате safetensors; для работы указана библиотека Transformers.

Модель в первую очередь предназначена для естественного и выразительного синтеза вьетнамской речи. В README указано, что она дообучена на примерно 1 000 часах вьетнамских аудиоданных, собранных с TikTok. Также заявлена поддержка китайского, английского, японского, корейского, французского, немецкого, итальянского, португальского, русского и испанского языков. Для других языков качество может отличаться от базовой Qwen3-TTS; перед синтезом рекомендуется нормализовать числа, символы и сокращения, а длинный текст разбивать на фрагменты.

Лицензия модели — MIT.

Сценарии применения

  • синтез вьетнамской речи из текста
  • клонирование голоса по короткой аудиозаписи
  • озвучивание вьетнамских видео и роликов
  • создание голосовых дорожек для приложений
  • многоязычная генерация речи для поддерживаемых языков

Ограничения

Модель оптимизирована для вьетнамского языка, а качество на остальных поддерживаемых языках может отличаться от базовой Qwen3-TTS. Для более качественного синтеза рекомендуется нормализовать текст и разбивать его на фрагменты.

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

Gwen-TTS 0.6B - Natural Vietnamese Voice Cloning

Gwen-TTS is a Vietnamese text-to-speech model with natural voice cloning capability.

Key highlights:

  • Clone any voice with just a few seconds of reference audio
  • Natural and expressive Vietnamese voice cloning
  • Finetuned from Qwen3-TTS-0.6B on ~1,000 hours of Vietnamese audio data crawled from TikTok

Demo: https://g-voice.g-ailab.com/tts (integrated with TTS text normalization and serving)

GitHub: https://github.com/ggroup-ai-lab/gwen-tts

How to Use

Installation

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

Voice Cloning

Note: For best quality, proactively apply TTS text normalization (numbers, symbols, abbreviations, etc.) and split input into chunks before passing to the model.

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# Load model
model = Qwen3TTSModel.from_pretrained(
    "g-group-ai-lab/gwen-tts-0.6B",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="flash_attention_2",
)

# Recommended generation config for Gwen-TTS
generation_config = dict(
    temperature=0.3,
    top_k=20,
    top_p=0.9,
    max_new_tokens=4096,
    repetition_penalty=2.0,
    subtalker_do_sample=True,
    subtalker_temperature=0.1,
    subtalker_top_k=20,
    subtalker_top_p=1.0,
)

# Generate speech with voice cloning
wavs, sr = model.generate_voice_clone(
    text="<your text to synthesize>",
    language="Vietnamese",
    ref_audio="<path/to/reference.wav>",
    ref_text="<transcript of the reference audio>",
    **generation_config,
)

sf.write("output.wav", wavs[0], sr)

Voice Samples

Each speaker shows the reference audio (voice input) and the generated inference audio (output).

Supported Languages

Vietnamese (primary), Chinese, English, Japanese, Korean, French, German, Italian, Portuguese, Russian, Spanish.

Note: This model is optimized for Vietnamese. Performance on other languages may differ from the base Qwen3-TTS model.

Citation

@misc{gwen-tts,
    title={Gwen-TTS: Natural Vietnamese Voice Cloning},
    author={G-Group AI Lab},
    year={2026},
    url={https://github.com/ggroup-ai-lab/gwen-tts}
}

License

This model is released under the MIT License.

Acknowledgments

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
a83e1f0

0 моделей