# Qwen3-TTS CustomVoice

> Синтез речи на 10 языках с выбором из 9 голосов и управлением подачей через инструкцию

Qwen3-TTS CustomVoice: открытая модель синтеза речи на 10 языках, 9 голосов, задержка от 97 мс, управление эмоциями и темпом через текстовую инструкцию.

- Категории: Opensource, Инструменты разработчика, Озвучка текста
- Стоимость: $9/мес.
- Модели: Qwen3-TTS-12Hz-1.7B-CustomVoice, Qwen3-TTS-12Hz-1.7B-VoiceDesign, Qwen3-TTS-12Hz-1.7B-Base, Qwen3-TTS-12Hz-0.6B-CustomVoice, Qwen3-TTS-12Hz-0.6B-Base
- Сайт сервиса: https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
- Карточка в каталоге: https://ailibri.com/qwen3-tts-customvoice
- Обновлено: 2026-07-18

## Описание

Qwen3-TTS-12Hz-1.7B-CustomVoice — модель синтеза речи с набором из 9 готовых голосов и поддержкой текстовых инструкций для управления подачей.

Модель генерирует речь на 10 языках: китайский, английский, японский, корейский, немецкий, французский, русский, португальский, испанский и итальянский. Голос можно выбрать из 9 вариантов, охватывающих разные комбинации пола, возраста, языка и диалекта, а затем настроить через текстовую инструкцию — задать эмоцию, темп, интонацию.

Задержка при стриминге — от 97 мс: первый аудиопакет уходит уже после одного символа на входе. Это делает модель пригодной для реального времени, а не только для офлайн-рендеринга. Архитектура использует дискретный мультикодбук-LM и полностью обходится без каскадной схемы LM+DiT, что устраняет накопление ошибок и снижает нагрузку на GPU.

Скачать модель можно через Hugging Face CLI или ModelScope. Для запуска рекомендуется Python 3.12 в изолированном окружении и пакет qwen-tts из PyPI. Для снижения потребления видеопамяти рекомендуется GPU с поддержкой FlashAttention 2. Загрузка весов происходит автоматически по имени модели, либо вручную через командную строку, если среда не позволяет тянуть файлы во время выполнения.

В семействе Qwen3-TTS есть и другие варианты: Base-модели для быстрого клонирования голоса по 3-секундному референсному аудио, VoiceDesign для генерации голоса по текстовому описанию, а также облегчённые версии на 0.6B параметров. Все они доступны на Hugging Face в открытом доступе.

## Похожие сервисы в каталоге

- [Whisper](https://ailibri.com/whisper): Нейросеть для распознавания речи с поддержкой 99 языков, которая одинаково точно работает с любыми акцентами и качеством аудио.
- [MOSS-TTS-Nano](https://ailibri.com/moss-tts-nano): Компактная многоязычная модель синтеза речи с 0.1B параметрами для генерации аудио в реальном времени на CPU без GPU от OpenMOSS и MOSI.AI.
- [LuxTTS](https://ailibri.com/luxtts): LuxTTS - быстрая модель клонирования голоса со скоростью 150x реального времени. Генерация речи 48 кГц, работает на GPU и CPU, требует всего 1 ГБ видеопамяти.
- [Supertonic](https://ailibri.com/supertonic): Быстрый многоязычный синтез речи на устройстве через ONNX. Поддержка 31 языка, 99M параметров, работает локально без облака и API-вызовов в браузере, на мобильн
- [DeepSeek](https://ailibri.com/deepseek): Что такое DeepSeek (дипсик) простыми словами, чья это нейросеть и что она умеет. Как пользоваться на телефоне и компьютере, как войти из России без VPN, почему бесплатно, какая сейчас версия, загрузка файлов и промты.
- [Fish Audio](https://ailibri.com/fish-audio): ИИ-сервис для преобразования текста в речь и клонирования голоса. Более 2 млн голосов, управление эмоциями, 30+ языков. Попробуйте бесплатно!

---
Источник: AILibri — каталог нейросетей и ИИ-инструментов, https://ailibri.com