Меня зовут Илья, я основатель сервиса для генерации изображений ArtGeneration.me, 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 генерации. Модель сохраняет интонации, эмоции 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, 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

Официальный GitHub

Можно попробовать установить самостоятельность с гитхаб, но это потребует опыта и навыков.

GitHub: https://github.com/QwenLM/Qwen3-TTS

API

Официальное API от Alibaba для production-интеграции.

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

Портативная версия

Я с каналом Нейро-Софт подготовил 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

Системные требования

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

• Windows 10/11 64-bit

• 16 ГБ оперативной памяти

• 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 найдете версию с уже установленным env (окружением).

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

Нам теперь открыта серия мощных моделей генерации речи Qwen3-TTS (https://huggingface.co/collections/Qwen/qwen3-tts). Она доступна в двух размерах (1.7B и 0.6B) и поддерживает 10 основных языков.

У этой модели есть возможность клонирования голоса по 3-секундному образцу, а также создание нового голоса по текстовому описанию. Ещё она поддерживает детальное управление характеристиками речи (тембр, эмоции, интонация) через инструкции. При всём этом у неё сверхнизкая задержка при потоковой генерации.

Alibaba Group Holding Ltd. планирует объединить свои флагманские онлайн-сервисы по покупкам и путешествиям с приложением искусственного интеллекта, сделав самый важный шаг к превращению Qwen в универсальную платформу искусственного интеллекта для потребителей.

Китайский лидер онлайн-ритейла начал подключать Taobao, Alipay, туристический сервис Fliggy и Amap к приложению Qwen. Идея заключается в том, чтобы в конечном итоге помочь 100 миллионам пользователей Qwen делать покупки, бронировать путешествия и оплачивать услуги через единую платформу с помощью искусственного интеллекта. Новые интегрированные функции теперь доступны для публичного тестирования в Китае.

Это амбициозное начинание подчеркивает, как компании от Amazon.com Inc. до Meta Platforms Inc. исследуют агентский искусственный интеллект, при котором искусственный интеллект помогает людям выполнять реальные задачи. Компании, такие как Alibaba и Tencent Holdings Ltd., которые уже управляют «суперприложениями» с сотнями различных услуг, считаются имеющими первоначальное преимущество в этой сфере.

Alibaba, которая также управляет потоковым сервисом, похожим на Netflix, и одной из крупнейших в Китае платформ по доставке еды, запустила Qwen в ноябре как важный шаг в направлении потребительских услуг искусственного интеллекта. Она планирует превратить Qwen в универсального личного помощника, постепенно интегрируя отдельные сервисы под эгидой Alibaba. Компания также запустила доступную только по приглашению функцию «помощник по задачам», предназначенную для выполнения более сложных задач, таких как звонки в рестораны или создание веб-приложений.

Привет, Пикабу! Хочу рассказать про свой эксперимент в вайбкодинге. Вдруг кому пригодится мой опыт, даст немножко вдохновения этой зимой. Сам вайбкодинг, если коротко — для меня это когда создаешь не просто функциональный код, а именно атмосферу, где каждая деталь (звук, цвет, кнопка) работает на одно ощущение. Ну, и когда это создано совместно с ИИ, разумеется. Как там у других - не знаю. Это то, что я понял в процессе всех этих дел, когда концепт сложился.

Короче, мне всегда хотелось иметь что-то своё в Сети. Но я не программист от слова совсем. Чистый гуманитарий. А заиметь что-то крутое всегда хотелось. Что-то такое, минималистичное, уютное, вайбовое, что сгенерировано с ноля и ниоткуда не взято. С конструкторами сайтов я раньше работал, но так чтобы писать код в блокноте, чисто общаясь с ИИ - такой опыт у меня впервые) В общем, на голом энтузиазме у меня по очереди за декабрь-январь родилось сразу три проекта.

1. radio8.space — такое небольшое радио с лоуфай, эмбиентом и инструментальным хип-хопом. Меланхоличный плейлист, чтоб врубил и пошёл делать дела или отдыхать. Две активных кнопки: Play и Stop и одна для переключения треков (вшита в radio8).

2. tv8.space — своеjбразный телевизор с белым шумом: дождь, огонь, VHS, волны, лес. Ретроэстетика, расслабляющий звук, лёгкий транс. Этот проект для посвященных, кто понимает ценность шума для концентрации и / или покоя. Задумано, чтобы помогать сфокусироваться, отключиться или уснуть.

3. blokknote.space — Минималистичный онлайн-редактор с эстетикой печатной машинки. Чисто для удовольствия от знакомых с детства щелчков, ну и шрифт соответствующий. Можно, собственно, писать, делиться заметками с друзьями, скачивать доки, всё, как положено.

Как это создавалось:

Повторюсь, я не программист, поэтому для меня это был квест «идея → вайб → реализация». всё в новинку и ничего не понятно.

• Код: Все свои идея я вбрасывал в Qwen и DeepSeek. Китайский друзья помогали мне с логикой. Самым нудным тут была бесконечная подгонка иконок и вёрстки под смартфоны и десктоп. А ещё расшеривание, которое сломало мне мозг, потому что с базами данных я тоже никогда не сталкивался (работает в итоге через связку Vercel + Upstash).

• Контент и атмосфера: Музыка - Suno, видео - SORA, иконки - Nano Banano, фоны - Midjourney, все клики и звуки интерфейса - Stable Audio. Со всякими графическими и остальными нейросетями я знаком давно, поэтому тут проблем не было. Главное запросы писать правильные.

• Креатив: Ну, а сами идеи, продюсирование, креатив и главное — постоянный «вайб-чек» - это уже с меня. Я всегда думал, что первый код, которые пишет ИИ по твоей идее - не рабочая фигня. Так и есть) Но если чуть подшаманить, всё заработает...

Конечная цель была не в мегафункциональности, а в цельном впечатлении, в эмоции, уюте. Потому что сделал я для себя, но потом решил, а чего бы и не поделиться).

Все три проекта в общем концепте: зашел, включил — и попал в свою «капсулу» настроения (или времени, чего уж там). И вроде получилось. Что думаете? Не судите строго, первый опыт всё-таки)