/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
Qwen3-TTS-12Hz-1.7B-Base
Библиотека
voicy
Опубликована
22 сен 2026

qwen3-tts-12hz-1.7b-base-gguf

Синтез речиТекст → аудио

Конвертированная в GGUF и ONNX многоязычная Qwen3-TTS-12Hz-1.7B-Base для локального синтеза речи из текста.

116скачиваний за 30 дней0лайковвеса обновлены22 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 конвертированные веса базовой модели Qwen3-TTS-12Hz-1.7B-Base для синтеза речи из текста. Автор репозитория sknyazev подготовил форматы GGUF и ONNX для запуска через llama.cpp и ONNX Runtime; веса не переобучались, а говорящая часть модели доступна в вариантах F16, Q5_K и Q8_0. В метаданных указан размер базовой модели 1,7 млрд параметров и поддержка русского, китайского, английского, японского, корейского, немецкого, французского, португальского, испанского и итальянского языков.

Репозиторий предназначен прежде всего для локального сервера синтеза речи voicy. В README приведены измерения на RTX 3080: для варианта Q5_K заявлены скорость примерно в 3,4–3,8 раза выше реального времени и потребление 2,4 ГБ видеопамяти при сохранении разборчивости и сходства голоса в описанном тесте. Для использования вне voicy нужны совместимые компоненты конвейера: автор отмечает, что связка talker, предсказателя кодека, кодека и таблиц codebook нестандартна. Лицензия — Apache-2.0.

Сценарии применения

  • локальный синтез речи из текста на нескольких языках
  • озвучивание текста в сервере voicy
  • генерация речи с вариантами точности F16, Q5_K и Q8_0

Ограничения

Для запуска вне voicy требуется совместимая реализация нестандартного конвейера модели, включая talker, предсказатель кодека, кодек и таблицы codebook. Результат синтеза не побитово идентичен PyTorch-версии; показатели производительности и качества в README относятся к описанным тестовым условиям.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-TTS-12Hz-1.7B-Base — GGUF + ONNX

The official Qwen/Qwen3-TTS-12Hz-1.7B-Base weights, converted to run on llama.cpp and ONNX Runtime — that is, without PyTorch and without Python. Nothing was retrained: these are the same weights in another format, with the talker quantised.

They were made for voicy, a local speech server, whose Rust build runs entirely on them: on an RTX 3080 synthesis goes at ×3.4–3.8 of real time against ×1.4 through PyTorch, and takes 2.4 GB of video memory against 5.6, at the same intelligibility and the same voice similarity (measurements).

Files

filewhat it issize
qwen3_tts_talker.q5_k.gguftalker, quantised to q5_k — what voicy uses by default1.0 GB
qwen3_tts_talker.q8_0.ggufthe same, q8_01.5 GB
qwen3_tts_talker.f16.ggufthe same, unquantised2.8 GB
qwen3_tts_predictor.q8_0.ggufcodec predictor, q8_0151 MB
qwen3_tts_decoder.fp16.onnxcodec decoder, converted to fp16230 MB
qwen3_tts_codec_encoder.fp32.onnx (+ .data)codec encoder for the reference clip226 MB
qwen3_tts_speaker_encoder.fp32.onnx (+ .data)speaker encoder48 MB
embeddings/codec embedding tables, .npy866 MB
tokenizer.jsonthe model's tokenizer11 MB

Only the q5_k talker is needed for the default setup; the other two are there for comparison.

How they behave

RTX 3080 10 GB, ten sentences × three seeds, the turgenev voice. CER — by transcribing the result back with Whisper large-v3-turbo; similarity — cosine between the speaker-encoder vectors of the reference clip and of the synthesis.

CERspeedvideo memorysimilarity
PyTorch, original weights2.1%×1.425.6 GB0.985
this, f16 talker2.1%×2.654.5 GB0.986
this, q8_0 talker2.2%×3.122.6 GB0.986
this, q5_k talker2.1%×2.962.2 GB0.986

The speeds above are of the Python pipeline used for the comparison; voicy's Rust engine runs the same q5_k files at ×3.39 in the same test. Bit-identical audio to PyTorch is not possible and is not claimed — different kernels, other orders of summation — but intelligibility, voice similarity, pauses and pace come out the same.

Use

With voicy, this is the whole of it:

voicy setup                    # libraries and the other models
voicy serve --port 8080

Point it elsewhere with VOICY_TTS_GGUF_DIR, and pick another talker with TTS_GGUF_TALKER=q8_0|f16.

Outside voicy, the files are ordinary llama.cpp and ONNX Runtime inputs, but the pipeline around them — the prompt of the talker, the codec predictor, the codebook tables — is not a standard one; the shortest description of it is the implementation: rust/src/native/qwen.rs.

How they were made

The conversion scripts are HaujetZhao/Qwen3-TTS-GGUF (MIT) at commit 74feb581bc8cefb835fc608107e857036d7580a1: the talker and the predictor to GGUF, the codec and the speaker encoder to ONNX, the codec embeddings to .npy. Then, in voicy's scripts/convert_qwen.py:

  • llama-quantize (llama.cpp b11090) — the talker to Q5_K and the predictor to Q8_0;
  • the codec decoder to fp16 with onnxruntime.transformers.float16, keeping LayerNormalization, Softmax and Range in fp32.

Changes against the original model: format and precision only. No weights were trained, tuned or edited.

Licence

Apache-2.0, from Qwen3-TTS-12Hz-1.7B-Base; LICENSE is included. The conversion scripts are MIT. Whatever the licence allows for the original weights, it allows for these; the responsibility for what is synthesised — voice cloning included — stays with whoever synthesises.


По-русски

Официальные веса Qwen3-TTS-12Hz-1.7B-Base, переведённые в GGUF и ONNX, чтобы синтез шёл на llama.cpp и ONNX Runtime — без PyTorch и без Python. Модель не переобучалась: те же веса в другом формате, говорящая часть квантована.

Сделано для voicy: на RTX 3080 синтез идёт ×3.4–3.8 к реальному времени против ×1.4 через PyTorch и занимает 2.4 ГБ видеопамяти против 5.6 — при той же разборчивости (CER 2.1%) и том же сходстве голоса (0.986). По умолчанию нужен только qwen3_tts_talker.q5_k.gguf; q8_0 и f16 лежат рядом для сравнения.

Установка — voicy setup, дальше voicy serve. Свой каталог задаётся через VOICY_TTS_GGUF_DIR, вариант говорящей части — TTS_GGUF_TALKER.

Как запустить

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

GPU в ailist

Универсальный рантайм · voicy

Нельзя запустить

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

Ревизия весов
22248a8

0 моделей