/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-TTS-12Hz-1.7B-VoiceDesign
Библиотека
gguf
Опубликована
21 апр 2026

Qwen3-TTS-12Hz-1.7B-VoiceDesign-GGUF

Синтез речиТекст → аудио3 профессии

Модель Qwen3-TTS синтезирует речь из текста и позволяет задавать характеристики голоса естественно-языковыми инструкциями.

163скачиваний за 30 дней1лайквеса обновлены21 апр 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

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 конвертированная в GGUF модель Qwen3-TTS-12Hz-1.7B-VoiceDesign от Qwen, подготовленная для запуска через qwen3-tts.cpp. Она преобразует текст в речь, позволяя задавать голос естественно-языковой инструкцией: например, описать тембр, темп и характер звучания. Для создания голосового образа ей не нужна референсная аудиозапись; полученный клип можно использовать для извлечения эмбеддинга диктора в связке с базовой моделью Qwen3-TTS.

Модель содержит 1,7 млрд параметров; файл GGUF представлен в точности F16, без квантизации. Для работы также требуется GGUF-файл токенизатора и аудиокодека Qwen3-TTS-Tokenizer-12Hz. В карточке указана поддержка английского, китайского, японского, корейского, немецкого, французского, испанского, русского, португальского и итальянского языков. Репозиторий распространяется по лицензии Apache-2.0.

Сценарии применения

  • синтез речи с заданным тембром и манерой звучания
  • создание озвучки текста на поддерживаемых языках
  • проектирование повторно используемых голосовых образов
  • генерация референсного аудио для извлечения эмбеддинга диктора

Ограничения

Для запуска требуется отдельный GGUF-файл токенизатора и аудиокодека Qwen3-TTS-Tokenizer-12Hz, а для исполнения — совместимая среда qwen3-tts.cpp. В карточке проверена работа на NVIDIA RTX 3090 с CUDA 12.6; другие конфигурации 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

Qwen3-TTS-12Hz-1.7B-VoiceDesign — GGUF

GGUF conversion of Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign for use with qwen3-tts.cpp.

VoiceDesign generates speech from a natural-language voice description (instruct), no reference audio required. Great for designing reusable voice personas: design once → save the generated wav → extract a speaker embedding from it → use that embedding with the Base model for fast inference.

Files

FileTypeSizeNotes
qwen3-tts-1.7b-voicedesign-f16.ggufF163.84 GBRecommended. Same precision as upstream safetensors.

You also need the tokenizer/codec gguf — convert it from Qwen/Qwen3-TTS-Tokenizer-12Hz using the same convert_tts_to_gguf.py script, or grab one from the existing cgisky/qwen3-tts-custom-gguf repo (look for qwen3-tts-tokenizer-f16.gguf).

Quickstart with qwen3-tts.cpp CLI

./qwen3-tts-cli \
  --model models \
  --model-name qwen3-tts-1.7b-voicedesign-f16.gguf \
  --text "Hello, I'm a custom-designed voice." \
  --instruction "warm middle-aged male voice, slow pace, friendly tone" \
  --output designed_voice.wav

Persona-design flow

  1. Generate a reference clip with VoiceDesign:
    ./qwen3-tts-cli -m models --model-name qwen3-tts-1.7b-voicedesign-f16.gguf \
      -t "The quick brown fox jumps over the lazy dog." \
      --instruction "deep authoritative male voice" \
      -o persona_reference.wav
    
  2. Extract a reusable speaker embedding from that clip (using the Base model):
    ./qwen3-tts-cli -m models --model-name qwen3-tts-1.7b-base-f16.gguf \
      -t "test" -r persona_reference.wav \
      --dump-speaker-embedding persona.json
    
  3. Use the saved embedding for fast, consistent inference:
    ./qwen3-tts-cli -m models --model-name qwen3-tts-1.7b-base-f16.gguf \
      -t "Anything you want to say." \
      --speaker-embedding persona.json \
      -o output.wav
    

Conversion details

Converted with scripts/convert_tts_to_gguf.py from the qwen3-tts.cpp repo. No quantization (F16, identical numeric precision to the original safetensors).

python scripts/convert_tts_to_gguf.py \
  --input Qwen3-TTS-12Hz-1.7B-VoiceDesign \
  --output qwen3-tts-1.7b-voicedesign-f16.gguf \
  --type f16

Hardware tested

  • NVIDIA RTX 3090 (compute capability 8.6) — works
  • CUDA 12.6, driver-side ggml-cuda (with GGML_CUDA_USE_GRAPHS)

License

Apache 2.0, inheriting from upstream Qwen3-TTS-VoiceDesign.

Citation

@misc{qwen3tts,
  title  = {Qwen3-TTS},
  author = {Qwen Team},
  year   = {2026},
  url    = {https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · gguf

Нельзя запустить

GGUF-веса поддерживаются только для текстовых LLM (llama.cpp).

Ревизия весов
ae13fc5

0 моделей