/ Модель

Характеристики

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

Qwen3-TTS-12Hz-0.6B-Wriothesley-LoRa-16

Синтез речиТекст → аудио3 профессии

LoRA-адаптер Qwen3-TTS для синтеза английской речи голосом Уриотсли из Genshin Impact.

752скачиваний за 30 дней3лайкавеса обновлены28 сен 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 LoRA-адаптер модели Qwen3-TTS-12Hz-0.6B-Base, созданный Rijul Paul для синтеза речи, имитирующей английский голос Уриотсли из Genshin Impact. Модель основана на архитектуре Qwen3-TTS с 0,6 млрд параметров и предназначена для генерации речи по тексту. Вариант с полным чекпойнтом из репозитория работает без референсного аудио: голос персонажа уже заложен в обученные веса. При подключении папки adapter/ к базовой модели требуется пример аудио голоса.

Адаптер обучен на голосовых данных Genshin Impact и датасете pano30qx. Это неофициальная фанатская работа, не связанная с HoYoverse и не одобренная компанией. Репозиторий распространяется по лицензии MIT; README указывает исследовательское и образовательное применение. Модель предназначена для английской речи и может быть полезна для прототипирования озвучки персонажа, однако качество и сходство голоса могут зависеть от текста и способа подключения адаптера.

Сценарии применения

  • синтез английской речи голосом Уриотсли
  • озвучка текстов репликами персонажа Genshin Impact
  • создание фанатских голосовых прототипов
  • эксперименты с клонированием голоса персонажа

Ограничения

Модель рассчитана на имитацию конкретного персонажа и английскую речь; для варианта с одним адаптером требуется референсное аудио. Это неофициальная фанатская модель, заявленная для исследовательского и образовательного применения.

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

Wriothesley — Qwen3-TTS-0.6B LoRA Model

A Qwen3-TTS LoRA fine-tune that reproduces Wriothesley's voice (English Only) from Genshin Impact.

[!IMPORTANT] Fan-made model. Wriothesley and Genshin Impact are © miHoYo / HoYoverse. This model is a non-official fan work for research/education purposes and is not affiliated with or endorsed by HoYoverse.

Model Description

This is a LoRA adapter fine-tune of Qwen/Qwen3-TTS-12Hz-0.6B-Base aimed at reproducing the voice of Wriothesley (Genshin Impact).

Two ways to use it:

RouteWhat you needReference audio?
A. Fine-tuned checkpoint + adapter (this repo, root)The full model in this repo❌ Not needed — the character's reference audio is baked into the state dict during training
B. Base model + adapterQwen/Qwen3-TTS + this repo's adapter/ folder✅ Required — pass any example clip of the character

Checkout the training code at:

Why LoRA when One Shot Cloning exists? because "Better Quality"

Quickstart

Installation

pip install -U qwen-tts

hf download rijulpaul/Qwen3-TTS-12Hz-0.6B-Wriothesley-LoRa-16 --exclude "training-checkpoint/" --exclude "speech_tokenizer/" --local-dir Wriothesley-LoRA-16

Usage

  1. Using Model provided with this repo
import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

device = "cuda:0"
tts = Qwen3TTSModel.from_pretrained(
    "./Wriothesley-LoRA-16",
    device_map=device,
    dtype=torch.bfloat16,
    attn_implementation="flash_attention_2", # use sdpa if flash-attn is not installed
)

from peft import PeftModel

tts.model = PeftModel.from_pretrained(
    tts.model,
    "./Wriothesley-LoRA-16/adapter"
)

wav, sr = tts.generate_custom_voice(
    text = "Word of advice: Don't break the law. Hmm, is there anything else? Oh, yeah... Seriously, don't break the law.",
    speaker = "Wriothesley"
)

sf.write("output.wav", wavs[0], sr)
  1. Using the Base Qwen/Qwen3-TTS-12Hz-0.6B model
import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

tts = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-0.6B-Base",
    device_map="cuda:0",
    dtype=torch.bfloat16,
    attn_implementation="flash_attention_2", # use sdpa if flash-attn is not installed
)

from peft import PeftModel

tts.model = PeftModel.from_pretrained(
    tts.model,
    "./Wriothesley-LoRA-16/adapter"
)

ref_audio = "path_to_Wriothesley_voiceline"   # Can see https://huggingface.co/datasets/rijulpaul/pano30qx/viewer/Wriothesley
ref_text  = "voiceline_transcription"

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)

Как запустить

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

GPU в ailist

Универсальный рантайм

Нельзя запустить

Репозиторий содержит только адаптер (LoRA/PEFT) без базовой модели.

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
ef27289

0 моделей