Qwen3-TTS-12Hz-0.6B-Base
基于参考音频做快速声音克隆的多语种流式语音合成模型。
最后核实：
https://huggingface.co/Qwen/Qwen3-TTS-12Hz-0.6B-Base特点与限制
主要特点
- 0.6B档Base检查点，官方称支持3秒参考音频快速克隆
- 覆盖中文、英语等10种语言
- 基于Qwen3-TTS-Tokenizer-12Hz的离散多码本语言模型架构
- 官方称端到端合成延迟可低至97ms，支持流式与非流式生成
使用边界
- Base检查点用于参考音频声音克隆，不是开箱即用的固定音色模型。官方示例提供参考文本；接口也支持x_vector_only_mode=True时不传ref_text，但音色效果可能下降。
- 官方提示音色与语言的搭配会影响效果，建议使用音色的母语；本站未做听测。
- LLM式token上下文不适用；不提供未经核实的输入长度上限。
- 官方Seed-TTS公开测试集成绩来自发布方评测，不能直接代表目标文本与音色的自然度。
模型信息
- 家族与版本
- Qwen / 3-TTS-12Hz
- 输入与输出
- 文本、音频 → 音频
- 公开参数规模
- 0.915B（以以下来源口径为准）
- 激活 / 有效参数
- 未提供 / 未提供
- 参数口径
- 官方型号名称为0.6B档；Hugging Face模型卡标注该检查点约0.9B参数，主model.safetensors参数和为914,643,008（约0.915B），不含仓库单独列出的speech_tokenizer/model.safetensors。官方未给出包含独立语音分词器在内的整套运行参数总量，active/effective口径也未披露。 参数来源
- 原生上下文
- 不适用
- 扩展上下文
- 不适用
- 语言声明
- 中文、英语、日语、韩语、德语、法语、俄语、葡萄牙语、西班牙语、意大利语；语言支持不代表对应语言的评测水平。
- 权重许可
- Apache-2.0
- 代码许可
- 未核实
- 训练资料
- 官方说明该系列以超过500万小时语音数据训练；未公开完整训练语料清单与数据许可明细。
能力依据
模型变体：专用版；家族与版本：Qwen / 3-TTS-12Hz
语音合成
Seed-TTS test set · WER0.92%Seed-TTS test set（中文） · 中文Seed-TTS test set · WER1.32%Seed-TTS test set（英语） · 英语查看评估与来源收起补充信息
语音合成
Seed-TTS test set · WER0.92%Seed-TTS test set（中文） · 中文
Seed-TTS test set · WER1.32%Seed-TTS test set（英语） · 英语
可作为中英文声音克隆候选：官方仓库报告该检查点在Seed-TTS公开测试集的中文WER为0.92%、英文WER为1.32%。WER只衡量合成语音与目标文本的内容一致性，不代表音色相似度或听感自然度。
已有依据支持
- 官方按型号逐行列出12Hz-0.6B-Base结果，未借用1.7B档或25Hz档成绩。
- 同一批次的评测配置在表格前统一说明，包括精度、输出长度上限与语言设置。
- 仓库另提供多语言与跨语言测试集结果，可按语种进一步核对。
证据限制
- 成绩由模型发布方运行，未找到许可明确且确认为独立方的同型号同条件复测。
- WER只反映合成内容与文本的一致性，音色相似度与自然度需要SIM或听测数据，本站未新增未经核验的音质成绩。
- 来源未完整披露模型revision、参考音频与说话人划分、WER识别器及文本归一化方式；不同参考音频可能改变结果。
- 本站未做听测，也未验证流式生成的延迟表现。
Seed-TTS test set · WER
0.92%官方报告 · Qwen Team（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- Qwen/Qwen3-TTS-12Hz-0.6B-Base / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- Seed-TTS test set（中文） / 未提供
- 基准 / 报告版本
- Qwen3-TTS官方仓库零样本语音生成基准表
- Few-shot / 输出上限
- 0 / 2048 tokens
- 提示模板 / 设置
- language="auto"；Qwen仓库报告的zero-shot speech generation结果。官方说明评测时使用dtype=torch.bfloat16、max_new_tokens=2048，其余采样参数取检查点generate_config.json默认值；Seed-TTS测试集设置language="auto"。官方仓库于2026-01-22发布，不是已知的评测运行日期；来源未披露模型revision、参考音频/说话人划分、WER识别器及文本归一化细节；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-14
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- qwen-team / qwen-team-qwen3-tts-repo-benchmark
- 来源
- https://github.com/QwenLM/Qwen3-TTS
- 来源使用说明
- 引用来源；许可：未提供；仅记录官方仓库中的少量型号成绩并保留发布方署名与来源链接；不复制整表或底层测试数据，引用不更改原仓库及数据集许可。 查看说明
- 比较状态
- 不可比：来源未披露足以复现和统一对齐的模型revision、参考音频条件与完整解码配置；该结果仅记录原报告口径，不加入跨型号比较组。
Seed-TTS test set · WER
1.32%官方报告 · Qwen Team（模型发布方自报）官方自测
展开评测条件与来源
- 模型标识 / 修订
- Qwen/Qwen3-TTS-12Hz-0.6B-Base / 未提供
- 思考模式
- 不适用
- 量化 / 运行时
- 未提供 / 未提供
- 数据集 / 划分
- Seed-TTS test set（英语） / 未提供
- 基准 / 报告版本
- Qwen3-TTS官方仓库零样本语音生成基准表
- Few-shot / 输出上限
- 0 / 2048 tokens
- 提示模板 / 设置
- language="auto"；Qwen仓库报告的zero-shot speech generation结果。官方说明评测时使用dtype=torch.bfloat16、max_new_tokens=2048，其余采样参数取检查点generate_config.json默认值；Seed-TTS测试集设置language="auto"。官方仓库于2026-01-22发布，不是已知的评测运行日期；来源未披露模型revision、参考音频/说话人划分、WER识别器及文本归一化细节；本站未复现。
- 评测日期 / 核实日期
- 未提供 / 2026-10-14
- 评测身份
- 官方自测
- 来源标识 / 评测批次
- qwen-team / qwen-team-qwen3-tts-repo-benchmark
- 来源
- https://github.com/QwenLM/Qwen3-TTS
- 来源使用说明
- 引用来源；许可：未提供；仅记录官方仓库中的少量型号成绩并保留发布方署名与来源链接；不复制整表或底层测试数据，引用不更改原仓库及数据集许可。 查看说明
- 比较状态
- 不可比：来源未披露足以复现和统一对齐的模型revision、参考音频条件与完整解码配置；该结果仅记录原报告口径，不加入跨型号比较组。
运行条件与获取
qwen-tts
系统支持未提供 · Safetensors · 未指定量化
官方支持；本站尚未进行推理验证。
硬件：未核实。本站未实测；内存、显存和速度取决于运行时、精度、参考音频长度与硬件，不将参数量或文件大小换算为资源保证。
内存：未核实；显存：未核实。
依赖：qwen-tts、torch、soundfile、flash-attn（官方标注为可选优化项）。
STEP 01 安装 Python 依赖
官方模型卡Quickstart给出的安装命令；官方示例使用CUDA设备、bfloat16和FlashAttention 2。若按该示例设置attn_implementation="flash_attention_2"，需另行安装兼容的flash-attn；也可按目标环境选择不启用该优化。本站未执行。
python -m pip install -U qwen-ttsSTEP 02 加载指定模型并克隆音色
按同页示例用Qwen3TTSModel加载此模型，并调用generate_voice_clone传入参考音频与参考文本。本站未下载权重或执行模型，需在目标设备验证。