/ Модель

Характеристики

Контекст
131 072 токена
Размер весов
1,6 ГБ
Лицензия
Apache 2.0
Архитектура
qwen3_tts · dense
Базовая модель
Qwen3-TTS-12Hz-1.7B-VoiceDesign
Библиотека
mlx-audio
Опубликована
14 мар 2026

Qwen3-TTS-12Hz-1.7B-VoiceDesign-4bit

Синтез речиТекст → аудио3 профессии

Qwen3-TTS-12Hz-1.7B-VoiceDesign-4bit — это 4-битная MLX-квантизированная версия модели Qwen3-TTS-12Hz-1.7B-VoiceDesign, преобразованная из исходной модели Qwen.

700скачиваний за 30 дней0лайковвеса обновлены18 июл 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

Репозиторий поддерживается автором theoracleguy, а для запуска использует библиотеку mlx-audio. Модель предназначена для синтеза речи из текста с управляемым созданием голоса по инструкции на естественном языке, без необходимости клонирования диктора по эталонной аудиозаписи.

Модель подходит для озвучивания текстов, вспомогательных технологий чтения, прототипирования аудиокниг, разработки голосов персонажей, образовательного контента, демонстраций продуктов и локальных приложений генерации речи. В инструкции можно задавать предполагаемый возраст, гендерную подачу, акцент или диалект, тембр, высоту голоса, темп, эмоциональность, энергичность и стиль речи. В README не указаны точные архитектурные детали, перечень поддерживаемых языков, размер контекста и полный набор модальностей; заявлена основная модальность text-to-speech.

Ключевые особенности версии — формат MLX с 4-битными весами, локальный и офлайн-запуск после загрузки модели и ориентация на устройства Apple Silicon. Её сильные стороны — экономичное представление весов, приватная локальная обработка и возможность воспроизводимо экспериментировать с описаниями голоса. Ограничения включают зависимость от совместимого оборудования и программного окружения, а также то, что интерфейс передачи инструкции для voice design может зависеть от версии mlx-audio. Репозиторий распространяется по лицензии Apache 2.0, однако базовая модель дополнительно подчиняется условиям лицензирования и использования, указанным в исходной карточке Qwen.

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 4-bit

This model was converted to MLX format from Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign using mlx-audio version 0.3.0.

Refer to the original model card for authoritative details about the model architecture, supported capabilities, intended use, limitations, and license.

This quantized MLX version is designed for local inference on Apple Silicon and can be used through mlx-audio or through OpenVox.

Model Details

Base modelQwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign
FormatMLX 4-bit quantized weights
Runtimemlx-audio
Desktop appOpenVox
Primary capabilityText-to-speech with natural-language voice design
Recommended hardwareApple Silicon
ProcessingLocal and offline after the model has been downloaded

Use with OpenVox

OpenVox provides a graphical desktop interface for running compatible text-to-speech models locally on Apple Silicon without requiring Python or command-line setup.

With OpenVox, this model can be used to:

  • Generate speech from text
  • Create voices using natural-language descriptions
  • Describe characteristics such as age, gender, tone, accent, pacing, pitch, and speaking style
  • Save and reuse designed voices
  • Generate and export long-form audio
  • Compare different voice descriptions and generation settings
  • Process text locally after the model has been downloaded
  • Access local voice-generation workflows through API and MCP integrations

Example voice descriptions include:

A warm, confident female narrator in her thirties, speaking clearly with a neutral British accent and a calm, professional tone.
An energetic young male voice with a conversational American accent, medium-fast pacing, and an enthusiastic delivery.
A deep, mature documentary narrator with slow pacing, precise pronunciation, and a serious cinematic tone.

OpenVox is a third-party application and is not affiliated with or endorsed by Qwen, Alibaba Cloud, or the mlx-audio maintainers.

Use with mlx-audio

Install or update mlx-audio:

pip install -U mlx-audio

CLI Example

Replace the model identifier below with the Hugging Face repository in which this conversion is hosted.

python -m mlx_audio.tts.generate \
  --model theoracleguy/Qwen3-TTS-12Hz-1.7B-VoiceDesign-4bit \
  --text "Hello, this is a test."

Python Example

from mlx_audio.tts.utils import load_model
from mlx_audio.tts.generate import generate_audio

model = load_model(
    "theoracleguy/Qwen3-TTS-12Hz-1.7B-VoiceDesign-4bit"
)

generate_audio(
    model=model,
    text="Hello, this is a test.",
    file_prefix="test_audio",
)

Voice Design

This model is intended for generating a voice from a natural-language instruction rather than cloning a speaker from reference audio.

A voice-design instruction can describe attributes such as:

  • Perceived age
  • Gender presentation
  • Accent or dialect
  • Speaking style
  • Emotional tone
  • Pitch
  • Pacing
  • Energy
  • Vocal texture
  • Intended use, such as narration, dialogue, education, or announcements

The exact argument used to pass a voice-design instruction may depend on the installed mlx-audio version. Refer to the current mlx-audio documentation and the upstream Qwen model card for the supported generation interface.

Intended Use

This model may be useful for:

  • Narration
  • Accessibility and read-aloud tools
  • Audiobook prototyping
  • Character voice development
  • Educational content
  • Product demonstrations
  • Local speech-generation applications
  • Research and experimentation with controllable TTS

Responsible Use

Users are responsible for ensuring that generated speech is used lawfully and ethically.

Do not use generated audio to impersonate real individuals, mislead listeners, facilitate fraud, or create deceptive content without appropriate consent and disclosure.

License

This repository is distributed under the Apache 2.0 license.

The base model remains subject to the licensing terms and usage conditions stated in the original Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign model card.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-audio

Нельзя запустить

MLX-модели работают только на Apple Silicon, на GPU NVIDIA они не запускаются.

Класс архитектуры
Qwen3TTSForConditionalGeneration
Ревизия весов
810b929

0 моделей