模型详情
模型介绍
中文整理Qwen3-TTS-12Hz-0.6B-Base
模型用途
Qwen3-TTS是一款先进的多语言可控文本转语音模型，支持语音克隆和描述性控制。该模型基于超过500万小时的多语言语音数据训练而成，可生成自然流畅的语音输出。
主要能力
支持10种主要语言：中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语和意大利语，同时支持多种方言语音档案。采用自研Qwen3-TTS-Tokenizer-12Hz tokenizer实现高效声学压缩和高维语义建模。使用离散多码本LM架构实现全信息端到端语音建模。端到端合成延迟最低可达97毫秒，满足实时交互场景需求。支持自然语言指令驱动的语音生成，可灵活控制多维声学属性。支持3秒快速语音克隆。
输入输出
输入：用户提供的参考音频（用于语音克隆）和待合成文本
输出：合成语音
运行要求
模型规模为0.6B参数
基本用法
使用该模型可通过音频输入进行快速语音克隆，并基于输入文本合成新内容。
限制
具体使用限制请参考模型许可证。
许可证
如需引用该工作，请参考技术报告。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
所选固定版本的完整仓库文件，包括模型权重、配置、分词器，以及作者提供的说明和其他文件。自动保留目录结构，不需要逐个选择或下载。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行环境
运行模型需要的设备、工具与依赖，以原作者说明为准。
授权范围
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。