Клонирование голоса по 3-секундному образцу локально: обзор Qwen3-TTS, примеры на русском и портативная версия

Всем привет! Команда Qwen от Alibaba ^[1] выложила в открытый доступ Qwen3-TTS ^[2] — нейросетевую модель для синтеза речи с клонированием голоса. Сегодня хочу рассказать об этой технологии подробнее и поделиться портативной версией.

Меня зовут Илья, я основатель сервиса для генерации изображений ArtGeneration.me ^[3], блогер и просто фанат нейросетей. А еще я сам собрал портативную версию Qwen3-TTS под win11 и успел её как следует протестировать.

Главная особенность системы в том, что она умеет не только озвучивать текст готовыми голосами, но и клонировать любой голос по короткому образцу, а ещё создавать новые голоса по текстовому описанию.

И всё это с нативной поддержкой русского языка.

Как это работает

В основе Qwen3-TTS лежит End-to-End архитектура с дискретным многоканальным токенизатором речи (12.5 Гц, 16 слоёв). В отличие от традиционных систем, которые работают по цепочке “текст → фонемы → звук” и теряют информацию на каждом этапе, здесь всё обрабатывается одним махом.

Такой подход полностью исключает эффект “роботизированности” и каскадные ошибки ^[4] генерации. Модель сохраняет интонации, эмоции ^[5] и особенности тембра.

Работает очень быстро даже на старшей модели 1.7B.

Поддерживаемые языки

Qwen3-TTS работает с 10 языками:

• Китайский (включая пекинский и сычуаньский диалекты)

• Английский

• Японский

• Корейский

• Немецкий

• Французский

• Русский

• Португальский

• Испанский

• Итальянский

Возможности

Синтез с готовыми голосами (CustomVoice)

9 встроенных голосов разных типов — молодые и зрелые, мужские и женские. Можно управлять эмоциями и стилем речи через текстовые инструкции.

Создание голоса по описанию (VoiceDesign)

Описываете словами, какой голос нужен — модель его генерирует. Например: “молодой женский голос, игривый, с высоким тоном”. Лучше работает если писать промпты на голос на английском.

Клонирование голоса (Voice Clone)

Загружаете аудио от 3 секунд — получаете синтез этим голосом. По бенчмаркам качество клонирования превосходит ElevenLabs и MiniMax по показателям сходства спикеров. Оно и правда веского качества, уровень VibeVoice ^[6], но гораздо легче по ресурсам.

Multi-Speaker режим

Создание диалогов и подкастов с несколькими спикерами одновременно (до 4 голосов).

Можно эмулировать разговор между друзьями, актерами, персонажами из игры, все теперь ограничивается только вашей фантазией.

Кому пригодится

Создателям контента — озвучка роликов, подкастов, стримов.

Разработчикам игр — озвучка персонажей без найма актёров, особенно актуально для инди.

Аудиокнигам — разные голоса для персонажей.

Автоматизации — голосовые уведомления, IVR-системы, ассистенты.

Как попробовать

Онлайн-демо

Тут в демо меньше возможностей и нет локализации, но тоже отлично работает.

Hugging Face Demo — https://huggingface.co/spaces/Qwen/Qwen3-TTS ^[7]

Официальный GitHub

Можно попробовать установить самостоятельность с гитхаб, но это потребует опыта ^[8] и навыков.

GitHub: https://github.com/QwenLM/Qwen3-TTS ^[9]

API

Официальное API от Alibaba для production-интеграции.

Ссылка: https://www.alibabacloud.com/help/en/model-studio/qwen-tts-realtime ^[10]

Портативная версия

Я с каналом Нейро-Софт подготовил  ^[11]улучшенную портативную сборку Qwen3-TTS Portable PRO, видео выше как раз из неё и записаны. А еще там:

• Русифицированный интерфейс

• Установка в один клик (install.bat)

• 50+ готовых голосов в комплекте

• 700+ дополнительных голосов для скачивания из интерфейса

• Multi-Speaker режим до 4 спикеров

• Поддержка NVIDIA GPU и CPU

Скачать: https://github.com/timoncool/Qwen3-TTS_portable_rus ^[12]

Системные требования

• NVIDIA GPU с 8+ ГБ видеопамяти (или CPU, но медленнее)

• Windows 10/11 64-bit

• 16 ГБ оперативной памяти ^[13]

• 20 ГБ свободного места на диске

Текущие ограничения

• Ударения иногда расставляются неправильно

• С длинными текстами могут быть проблемы

• Инструкции для VoiceDesign лучше писать на английском

Распакуйте в корень диска (путь без кириллицы), запустите install.bat. Модели скачаются при первом запуске. А если будут сложности в установкой в посте в канале ^[11] найдете версию с уже установленным env (окружением).

Я рассказываю больше о нейросетях у себя на YouTube ^[14], в Телеграм  ^[15]и на Бусти ^[16]. Буду рад вашей подписке и поддержке. Ну и на канал Нейро-Софт ^[17] тоже подпишитесь, чтобы не пропустить полезные репаки. Всех обнял и удачных генераций!