Qwen3-TTS полностью в опен сорсе
1. Voice Clone - клонирование голоса за 3 секунды аудио
2. Voice Design - создание голосов по промптам
3. Voice Control - управление эмоциями, интонацией и стилем через естественный язык
Первый аудиопакет после обработки одного символа, сквозная задержка синтеза всего 97 мс, хорошо зайдет для real-time диалогов
Модель адаптирует тон, ритм и эмоциональную окраску на основе инструкций и семантики текста
🔘Доступные модели
Версия 1.7B (максимальная производительность)
Qwen3-TTS-12Hz-1.7B-VoiceDesign - создание голоса по описанию
Qwen3-TTS-12Hz-1.7B-CustomVoice - 9 премиальных тембров с управлением стилем
Qwen3-TTS-12Hz-1.7B-Base - базовая модель для быстрого клонирования и fine-tuning
Версия 0.6B (баланс производительности и эффективности)
- Qwen3-TTS-12Hz-0.6B-CustomVoice - 9 премиальных тембров
- Qwen3-TTS-12Hz-0.6B-Base - базовая модель
Все модели поддерживают streaming-режим
По бенчмаркам voice design превзошел закрытую модель MiniMax-Voice-Design. Voice Control средний WER всего 2.34% в мультиязычной генерации. Voice Clone превзошел MiniMax и SeedTTS по стабильности речи. В кросс-языковом клонировании SOTA-результаты, превосходящие CosyVoice3
Токенизатор Qwen-TTS-Tokenizer-12Hz
Достиг рекордных показателей на LibriSpeech test-clean:
- PESQ: 3.21 (wideband) / 3.68 (narrowband)
- STOI: 0.96
- UTMOS: 4.16
- Схожесть говорящего: 0.95 (практически без потерь)
