/ Модель

Характеристики

Контекст
131 072 токена
Архитектура
qwen3_tts · dense
Базовая модель
gwen-tts-0.6B
Опубликована
16 сен 2026

qwen-tts-ngoc-huyen-voice

Синтез речиТекст → аудио

Модель Qwen3-TTS, дообученная для синтеза вьетнамской речи голосом Ngọc Huyền без аудиообразца при генерации.

126скачиваний за 30 дней1лайквеса обновлены4 окт 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 вьетнамская модель синтеза речи, созданная дообучением g-group-ai-lab/gwen-tts-0.6B на архитектуре Qwen3-TTS. Она синтезирует речь на вьетнамском языке голосом Ngọc Huyền в режиме CustomVoice; аудиообразец голоса при генерации не требуется. Веса дообучались с помощью LoRA и последующего объединения адаптера, а пакет включает вектор голоса диктора.

Модель подходит для озвучивания коротких фраз и текстов на вьетнамском языке. Перед синтезом числа, даты, время, валюты, проценты, телефонные номера и распространённые сокращения следует преобразовывать в форму, записанную словами. Длинные тексты рекомендуется разбивать на предложения. Модель может ошибаться в именах, иностранных словах и специальной терминологии, а также пропускать или повторять слова; аудио следует проверять перед публикацией. Репозиторий распространяется в формате safetensors. Лицензия в предоставленных данных не указана; наличие модели не предоставляет права на использование голоса или коммерческое применение.

Сценарии применения

  • озвучивание коротких текстов на вьетнамском языке
  • создание вьетнамской речи для видеороликов и публикаций
  • генерация голосовых объявлений на вьетнамском языке
  • синтез диалоговых реплик на вьетнамском языке

Ограничения

Числа, даты, время, валюты, проценты, телефонные номера и сокращения нужно предварительно нормализовать в слова; возможны ошибки произношения, пропуски и повторы слов, особенно в именах, иностранных словах и специальной терминологии. Лицензия и разрешения на использование голоса требуют отдельной проверки.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen-TTS Ngoc Huyen voice

This Vietnamese text-to-speech model is fine-tuned from g-group-ai-lab/gwen-tts-0.6B, based on the Qwen3-TTS architecture. The exported package includes merged weights and the ngoc_huyen speaker in CustomVoice mode. No reference audio is required at inference time.

Training

The model was fine-tuned on approximately 90 hours of Ngọc Huyền's voice, collected by crawling YouTube and TikTok.

Training used LoRA adaptation, adapter merging, and selective refinement of the talker and output head, followed by joint refinement with the code predictor. The final model was selected by the training pipeline and packaged with a speaker embedding derived from reference audio.

Usage

pip install qwen-tts transformers soundfile

If the repository is private, authenticate with a Hugging Face account that has read access before downloading the model.

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "huutamm1612/qwen-tts-ngoc-huyen-voice",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="sdpa",
)
torch.manual_seed(3407)
waves, sample_rate = model.generate_custom_voice(
    text="Xin chào, chúc bạn một ngày bình yên và nhiều niềm vui.",
    language="Vietnamese",
    speaker="ngoc_huyen",
    do_sample=True, temperature=0.2, top_k=20, top_p=0.95,
    repetition_penalty=2.0,
    subtalker_do_sample=True, subtalker_temperature=0.07,
    subtalker_top_k=20, subtalker_top_p=1.0,
    max_new_tokens=4096,
)
sf.write("demo.wav", waves[0], sample_rate)
display(Audio(data=waves[0], rate=sample_rate))

For long text, split the input into sentences or paragraphs before synthesis. Generation speed depends on the GPU, batch size, and input length. No independent MOS or CER benchmark results are reported here.

Notes

  • The model was trained on Vietnamese text written in words. It does not reliably interpret raw numeric forms such as dates, times, currencies, percentages, phone numbers, or abbreviations.
  • Normalize input text before synthesis. This project uses the sea-g2p library to convert numbers and common Vietnamese text patterns into spoken-word form.
  • For best results, keep each input sentence reasonably short and split long passages into sentences or paragraphs before generation.
  • Review generated audio before publication, especially when the text includes names, foreign words, uncommon abbreviations, or specialized terminology.

Limitations and responsible use

The model may mispronounce names, numbers, or foreign words, and may omit or repeat words. Review generated audio before use. Model availability does not itself grant rights to a person's voice or permission for commercial use; applicable licenses and permissions must be reviewed separately. This model card does not claim endorsement by the person whose voice is represented. Do not use the model for deceptive impersonation, and clearly identify synthetic speech where appropriate.

Audio samples

The samples below are generated using the final model package with seed 3407; they are not recordings from the training data. Transcripts, WAV files, and sample durations are available in samples/. These examples are illustrative and do not constitute a human-rated quality evaluation.

Sample 1

Xin chào, cảm ơn bạn đã dành thời gian lắng nghe. Nếu hôm nay có chút mệt mỏi, hãy thả lỏng đôi vai và hít một hơi thật sâu.

Listen or download WAV

Sample 2

Buổi chiều, nắng trải nhẹ trên con đường dẫn về nhà. Cô dừng bên cánh cổng cũ, lắng nghe tiếng lá xào xạc. Từ gian bếp, một giọng nói thân thuộc vang lên.

Listen or download WAV

Sample 3

Anh trở về rồi sao? Cô khẽ hỏi khi nghe tiếng cửa mở. Anh đặt túi xuống, mỉm cười. Tối nay có món gì ngon không em?

Listen or download WAV

Sample 4

Kính thưa quý khách, chuyến tàu đi Đà Nẵng sẽ khởi hành lúc bảy giờ ba mươi phút. Quý khách vui lòng kiểm tra vé và hành lý trước khi lên tàu. Kính chúc quý khách một chuyến đi an toàn, thoải mái và thuận lợi.

Listen or download WAV

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
ec75ad9

0 моделей