Modelo
Áudio & Voz
Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
Modelo de síntese de voz · 1.7 B de parâmetros — 2.5 mi downloads e 1.8 mil curtidas no Hugging Face.
Hugging Face · Modelos
·Qwen
·
·↓ 2471302
·♥ 1753
O modelo Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice aparece entre os mais comentados do Hugging Face — um termômetro do que a comunidade está realmente usando agora na tarefa de síntese de voz.
Ficha técnica
- Tarefa: síntese de voz
- Parâmetros: 1.7 B
- Formatos: safetensors
- Licença: Apache 2.0
- Downloads: 2.5 mi · Curtidas: 1.8 mil
Hardware recomendado
Estimativa de VRAM só para carregar os pesos (com ~20% de folga para ativações). Contextos longos consomem memória adicional para o cache de atenção (KV cache).
- Precisão original (16-bit): ~4.1 GB de VRAM — 1 GPU de consumo (≥ 8 GB, ex. RTX 3060)
- Quantizado 8-bit: ~2.0 GB de VRAM — 1 GPU de consumo (≥ 8 GB, ex. RTX 3060)
- Quantizado 4-bit: ~1.0 GB de VRAM — roda em CPU ou GPU de notebook
Como rodar localmente
Sintetize voz/áudio com a transformers (alguns modelos exigem o código do autor — confira o card):
pip install -U transformers torch
from transformers import pipeline
tts = pipeline("text-to-speech", model="Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice", device=0)
out = tts("Olá! Esta é uma voz sintética.")
# out["audio"], out["sampling_rate"]Tags
safetensors qwen3_tts text-to-speech
// relacionados