Qwen3-TTS-12Hz-0.6B-Base: компактное клонирование голоса

У 0.6B Base сценарий не сводится к кнопке «произнеси текст». Официальный пример передаёт ref_audio, а также может передать транскрипт референса, чтобы модель синтезировала новую фразу с похожим тембром. Для внутреннего пилота разумно записать собственный голос при ясном согласии, затем сравнить короткую нейтральную фразу, числа и редкое имя. Если тембр узнаваем, но имя произнесено неверно, синтез не готов для публикации. Отдельно проверьте, как меняется результат на референсе с шумом и на чистой записи: паспорт модели не обещает одинакового качества. Название Base отличает её от CustomVoice с заранее заданными голосами; эти checkpoints решают разные задачи и не являются простыми ревизиями одной и той же кнопки.

Клонирование голоса связано с согласием говорящего, правами на исходное аудио и риском выдачи синтетической речи за реальную. Лицензия Apache-2.0 относится к опубликованным весам, но не предоставляет права использовать чужую запись или вводить слушателя в заблуждение. Семейная карточка перечисляет русский среди десяти языков, однако она не удостоверяет произношение вашего бренда, эмоциональную устойчивость или задержку на вашей машине. Для черновиков полезно хранить сам текст, версию весов и отметку, что аудио синтетическое. Пример локального qwen-tts доказывает способ самостоятельного запуска; он не указывает цену официального API и не подтверждает, что сторонний сервис запускает именно этот checkpoint.