/ Модель

Характеристики

Контекст
131 072 токена
Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-1.7B-CustomVoice
Библиотека
transformers
Опубликована
5 фев 2026

narrator-tts

Синтез речиТекст → аудио3 профессии

Дообученная Qwen3-TTS модель синтезирует выразительную речь постоянным голосом рассказчика для историй, аудиокниг и голосовых приложений.

73скачиваний за 30 дней3лайкавеса обновлены6 фев 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

ScrappyLabs Narrator TTS — дообученная на 461 аудиопримере модель Qwen3-TTS 1.7B CustomVoice для синтеза речи с постоянным выразительным голосом рассказчика. Она принимает текст и инструкции по стилю речи, например «мягко и тепло» или «таинственным шёпотом», и генерирует аудио без эталонной записи голоса при каждом запросе. Идентичность голоса встроена в веса модели.

Модель предназначена для озвучивания аудиокниг, историй, подкастов, игр и голосовых интерфейсов. Она построена на архитектуре Qwen3-TTS, работает через Transformers и наследует поддержку языков базовой модели, включая английский, китайский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский. Размер весов составляет 3,8 ГБ, речевого токенизатора — 682 МБ, общий объём — около 4,5 ГБ.

Модель рассчитана на последовательную озвучку одним голосом и управление подачей с помощью инструкций; разработчик сообщает о её применении в производственном конвейере. Качество и естественность речи могут зависеть от языка, текста и заданного стиля. Лицензия Apache 2.0 разрешает коммерческое использование.

Сценарии применения

  • озвучивание аудиокниг одним постоянным голосом
  • чтение детских историй с выразительной подачей
  • создание вступлений и завершений подкастов
  • генерация реплик голосового ИИ-помощника
  • озвучивание повествования в играх
  • синтез речи с заданной эмоциональной окраской

Ограничения

Голос модели специализирован на подаче рассказчика, поэтому может быть менее подходящим для задач, требующих широкого набора различных голосовых идентичностей. Поддержка нескольких языков унаследована от базовой модели; карточка не приводит отдельных оценок качества для каждого языка.

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

ScrappyLabs Narrator TTS

A fine-tuned Qwen3-TTS 1.7B CustomVoice model producing a warm, expressive narrator voice optimized for storytelling, audiobooks, and conversational AI.

What Is This?

This is one of the first public fine-tunes of Qwen3-TTS. We took the 1.7B CustomVoice base model and trained it on 461 curated narrator-style audio samples to produce a consistent, high-quality storytelling voice without needing a reference audio clip at inference time.

Unlike voice cloning (which requires a reference WAV each time), this finetune bakes the voice identity into the model weights — just pass text in and get narrator audio out.

Audio Samples

Storytelling

"Once upon a time, in a forest older than memory, there lived a bear who collected stories the way other bears collected honey."

Suspense

"The door creaked open. Inside, the room was empty, except for a single envelope on the table, addressed to no one."

Educational

"The octopus has three hearts, blue blood, and the ability to change both the color and texture of its skin in less than a second."

Conversational

"Hey, you know what? Today was a good day. Not perfect, but good. And sometimes that's more than enough."

Key Features

  • No reference audio needed — the narrator voice is embedded in the weights
  • Instruct/emotion support — accepts style instructions (e.g., "warm and gentle", "excited", "mysterious whisper")
  • Multilingual capable — inherits Qwen3-TTS base multilingual support (en, zh, ja, ko, de, fr, ru, pt, es, it)
  • Drop-in compatible — works with any Qwen3-TTS serving stack
  • Apache 2.0 — fully open, commercial use OK

Training Details

ParameterValue
Base modelQwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
Training samples461 WAV clips (~varied lengths, diverse content)
Epochs5
Batch size64
Learning rate2e-5
Warmup steps200
Precisionbf16
Gradient checkpointingEnabled
Block size10240
HardwareNVIDIA RTX PRO 6000 (Blackwell, 48GB VRAM)

The training data consists of narrator-style speech samples covering a range of emotional expressions, pacing, and content types — from calm storytelling to dramatic narration.

Model Size

ComponentSize
Model weights (model.safetensors)3.8 GB
Speech tokenizer682 MB
Total~4.5 GB

Usage

With Qwen3-TTS Server

If you're running a Qwen3-TTS server (like qwen3-tts-server), register this as a finetuned speaker and request it by name:

import requests

response = requests.post("http://localhost:8109/v1/audio/speech", json={
    "input": "Once upon a time, in a land far far away, there lived a brave little bear.",
    "voice": "narrator"
})

with open("output.wav", "wb") as f:
    f.write(response.content)

With Instruct (Emotion Control)

response = requests.post("http://localhost:8109/v1/audio/speech", json={
    "input": "And then, from the shadows... something moved.",
    "voice": "narrator",
    "instruct": "mysterious and suspenseful, slow pace"
})

Direct with Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model = AutoModelForCausalLM.from_pretrained(
    "scrappylabs/narrator-tts",
    torch_dtype="auto",
    device_map="auto"
)
tokenizer = AutoTokenizer.from_pretrained("scrappylabs/narrator-tts")

See the Qwen3-TTS documentation for full inference code.

Why Finetune vs. Voice Clone?

Voice CloneFinetune
Reference audio neededYes (every request)No
Voice consistencyGoodExcellent
Inference latencyHigher (processes reference)Lower (voice is in weights)
Emotion/instruct controlLimitedFull support
Deployment sizeBase model + WAV filesSingle model checkpoint

For production use cases where you need a consistent character voice across thousands of generations, finetuning wins.

Use Cases

  • Audiobook narration
  • Children's story apps
  • Podcast intros/outros
  • AI assistant voice
  • Game narration
  • Any application needing a warm, consistent narrator

About ScrappyLabs

ScrappyLabs builds open-source voice AI tools. This model powers our production TTS pipeline, serving narrator voice across our apps including Poo Bear (an AI-powered teddy bear for kids).

License

Apache 2.0 — same as the base Qwen3-TTS model. Use it for anything.

Citation

If you use this model, a mention of ScrappyLabs is appreciated but not required.

@misc{scrappylabs-narrator-tts-2026,
  author = {ScrappyLabs},
  title = {ScrappyLabs Narrator TTS: A Qwen3-TTS 1.7B Voice Finetune},
  year = {2026},
  url = {https://huggingface.co/scrappylabs/narrator-tts}
}

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
82b3a6f

0 моделей