Qwen3-TTS
Описание
Qwen3-TTS — семейство открытых моделей озвучки текста от команды Qwen. По карточкам моделей, охватывает 10 языков (китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский, итальянский) и диалектные голоса. Моделей три вида в размере 1,7B (и два в размере 0,6B): Base клонирует голос примерно по 3 секундам записи и подходит для дообучения, CustomVoice даёт готовые голоса с тоном и эмоцией по инструкции, VoiceDesign создаёт голос по текстовому описанию. Есть потоковая выдача; авторы заявляют задержку первого пакета до 97 мс. Требований к видеопамяти в карточках нет, советуют только FlashAttention 2 для экономии памяти. Веса лежат на Hugging Face в открытом доступе, без подтверждения условий, выпущены 21.01.2026 под лицензией Apache-2.0, она разрешает коммерческое использование. У авторов есть официальная демонстрация (Space на Hugging Face), код и примеры лежат на GitHub. Ссылка на этой странице ведёт на модель клонирования голоса. Клонировать голос можно только с согласия говорящего. Дата проверки: 19.10.2026.
Плюсы и минусы
Плюсы
- 10 языков и диалектные голоса — по карточкам моделей
- Клонирование голоса примерно по 3 секундам записи
- Голос по текстовому описанию и управление тоном инструкцией
- Лицензия Apache-2.0, веса открыты без подтверждения условий
- Есть меньшие модели 0,6B и официальный Space
Минусы
- В карточках нет требований к видеопамяти
- Семейство разбито на несколько отдельных моделей по задачам
- Задержка и качество — заявления самих авторов
- Нет на публичной арене озвучки как открытые веса: качество — наша экспертная оценка
Характеристики
- Лицензия
- Apache-2.0
- Коммерческое использование
- Разрешено
- Разработчик
- Qwen (Alibaba)
- Языки интерфейса
- Английский
- Данные проверены
- 19.10.2026