/ Модель

Характеристики

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

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

Синтез речиТекст → аудио3 профессии

LoRA-адаптер Qwen3-TTS для синтеза английской речи, имитирующей голос Чжун Ли из Genshin Impact.

138скачиваний за 30 дней0лайковвеса 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 для Qwen3-TTS-12Hz-0.6B-Base, созданный автором репозитория rijulpaul для синтеза речи, имитирующей английский голос Чжун Ли из Genshin Impact. Модель предназначена для озвучивания заданного текста голосом персонажа; при использовании полного чекпойнта из репозитория отдельный аудиопример не требуется, поскольку голосовой образ сохранён в параметрах обучения. Для подключения папки adapter/ к базовой модели нужен аудиопример персонажа.

Модель основана на плотной архитектуре Qwen3-TTS и поставляется как LoRA-адаптер в формате Safetensors. В карточке указаны обучающие наборы Genshin voice и pano30qx. Поддерживается английская речь. Это неофициальная фанатская работа, не связанная с HoYoverse; лицензия репозитория — MIT. Качество сходства с голосом может зависеть от текста и выбранного способа загрузки адаптера.

Сценарии применения

  • озвучивание английского текста голосом Чжун Ли
  • создание фанатских реплик персонажа по текстовому сценарию
  • генерация английской речи для фанатских видеороликов

Ограничения

Адаптер ориентирован только на английскую речь и воспроизведение голоса одного персонажа; для режима с базовой моделью и папкой адаптера требуется аудиопример. Это неофициальная фанатская модель, и качество сходства может меняться в зависимости от сценария использования.

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

Zhongli — Qwen3-TTS-0.6B LoRA Model

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

[!IMPORTANT] Fan-made model. Zhongli 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 Zhongli (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-Zhongli-LoRa-16 --exclude "training-checkpoint/" --exclude "speech_tokenizer/" --local-dir Zhongli-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(
    "./Zhongli-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,
    "./Zhongli-LoRA-16/adapter"
)

wav, sr = tts.generate_custom_voice(
    text = "Haha, no, no. Kites are children's toys, yes, but they also play various symbolic roles in Liyue's rituals.",
    speaker = "Zhongli"
)

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,
    "./Zhongli-LoRA-16/adapter"
)

ref_audio = "path_to_Zhongli_voiceline"   # Can see https://huggingface.co/datasets/rijulpaul/pano30qx/viewer/Zhongli
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
cd705b7

0 моделей