Характеристики

Контекст: 131 072 токена
Лицензия: Apache 2.0
Архитектура: qwen3_tts · dense
Базовая модель: Qwen3-TTS-12Hz-0.6B-Base
Библиотека: openvino
Опубликована: 3 окт 2026

Ссылки

Hugging Face

Qwen3-TTS-12Hz-0.6B-Base-OpenVINO

xgirls

Синтез речиТекст → аудио

Экспорт Qwen3-TTS в OpenVINO для синтеза речи по тексту и клонирования голоса по аудиопримеру.

159скачиваний за 30 дней0лайковвеса обновлены12 окт 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 экспорт Qwen/Qwen3-TTS-12Hz-0.6B-Base в формате OpenVINO IR, подготовленный для Fern. Модель сохраняет исходные веса и архитектуру Qwen3-TTS; README уточняет, что дообучение не выполнялось. По тексту она синтезирует речь, а также может клонировать голос по аудиопримеру с учётом языков и требований исходной модели.

Экспорт занимает около 2,042 ГиБ и использует константы FP16 без квантизации NNCF. В репозитории есть компоненты модели, процессор и токенизатор, а также компоненты речевого токенизатора OpenVINO. Первый запуск компилирует IR для выбранного устройства и может занимать больше времени, чем последующие.

Модель предназначена для запуска через интеграцию Fern с Qwen3-TTS. Карточка указывает лицензию Apache-2.0. Проверенная конфигурация библиотек описывает конкретную интеграцию и не гарантирует совместимость всех версий библиотек или устройств OpenVINO; языковые возможности и требования к входу определяются исходной моделью.

Сценарии применения

синтез речи из текста
создание озвучки с голосом по аудиопримеру
клонирование голоса для озвучивания текста

Ограничения

Языки и требования к входным данным наследуются от исходной модели и в карточке экспорта не перечислены. Проверенная конфигурация относится к интеграции Fern; совместимость всех версий библиотек и устройств OpenVINO не заявлена.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Qwen3-TTS-12Hz-0.6B-Base — OpenVINO IR

A ready-to-use OpenVINO IR export of Qwen/Qwen3-TTS-12Hz-0.6B-Base, prepared for Fern. The export preserves the upstream model weights and architecture; it is not fine-tuned.

What this variant does

Generate speech and clone a voice from reference audio, subject to the source model’s supported languages and input requirements.

Export size: approximately 2.042 GiB of model files.
Representation: OpenVINO IR with FP16-compressed constants. No NNCF quantization is applied.
Files: model XML/BIN pairs, processor and tokenizer assets, and both OpenVINO speech-tokenizer components. fern-export-manifest.json records each exported file’s size and SHA-256 digest, plus the source-cache revision information.
Not included: original PyTorch checkpoints, local caches, voice recordings, or generated audio.

Use with Fern

Install the matching Qwen3-TTS model from Fern’s audio workspace. Fern downloads this ready-made export; users do not need to convert the source checkpoint. The first load compiles the IR for the selected device and can take longer than later loads.

Python example

The following uses Fern’s Qwen3-TTS helper. Run it in an environment with the Fern scripts/tts_runtime directory on PYTHONPATH and the runtime dependencies listed below.

from huggingface_hub import snapshot_download
from qwen_3_tts_helper import OVQwen3TTSModel

model_dir = snapshot_download(
    repo_id="xgirls/Qwen3-TTS-12Hz-0.6B-Base-OpenVINO",
    revision="e1b0f4cc4958cb6b2a9e9e1c7a2faf07b6b97af8",
)
model = OVQwen3TTSModel.from_pretrained(model_dir=model_dir, device="GPU")

Runtime and validation

Fern’s integration uses the Qwen3-TTS helper at source commit 1ab0dd75353392f28a0d05d9ca960c9954b13c83. The validated environment used OpenVINO 2026.4.0, Transformers 4.57.3, PyTorch and torchaudio 2.8.0, and Qwen-TTS 0.0.4. This is an application-specific runtime set, not a claim that every combination of library versions or OpenVINO devices is supported.

Fern API smoke validation generated non-silent 24 kHz audio with this model variant. This verifies basic generation, not comparative quality or performance. First-load compilation is device-specific.

License and attribution

Apache-2.0; see the included LICENSE and NOTICE. The original model is from the Alibaba Qwen team. This community OpenVINO conversion is not an official Qwen or Intel release. The export follows the OpenVINO Qwen3-TTS notebook workflow.

Как запустить

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

GPU в ailist

Универсальный рантайм · openvino

Нельзя запустить

Модель выложена для OpenVINO.

Класс архитектуры: Qwen3TTSForConditionalGeneration
Ревизия весов: 922c43c