# Qwen3-TTS 0.6B Base (Sprachmodell)

> Qwen3-TTS 0.6B Base: Text-to-Speech, das die Stimme eines kurzen Referenzclips (ab 3 s) in 10 Sprachen klont, 24 kHz, für Charakterdialoge und Erzählung. Das kleinere Cloning-Modell für GPUs mit etwa 4 GB (Schätzung). Läuft lokal mit audio.cpp. Apache-2.0, kommerzielle Nutzung erlaubt.

- Id: `aigd.audio-qwen3-tts-0-6b-base`
- Quelle: Offiziell (First-Party `aigd.*`)
- Kategorie: Audio
- Herausgeber: AI Game Dev (`aigd`), verifiziert
- Neueste Version: 1.0.2 (veröffentlicht am 2026-11-22)
- Lizenz: Apache-2.0
- Erfordert die AI Game Dev App: `>=0.32.0-beta.6`
- Nativer Code: nein
- Bewertung: noch nicht bewertet
- HTML-Seite: https://ai-game.dev/de/packages/aigd.audio-qwen3-tts-0-6b-base

## Installieren

Mit der gamedev CLI im Projektordner:

```bash
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base
```

In der Desktop-App: Öffne das Fenster Packages (das Paket-Symbol in der Statusleiste), wähle **Browse**, suche nach `aigd.audio-qwen3-tts-0-6b-base` und klicke auf **Add to Project**. Mehr: https://ai-game.dev/docs/wiki/app/packages

## Versionen

| Version | Veröffentlicht | Erfordert App | Hinweise |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | neueste |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## Beschreibung

````markdown
# Qwen3-TTS 0.6B Base (Stimmklonen) (`aigd.audio-qwen3-tts-0-6b-base`)

Qwen3-TTS 0.6B Base ist das kleinere Stimmklon-Modell aus der Qwen3-TTS-Familie von Alibaba Cloud. Es spricht jeden Text in der Stimme eines kurzen Referenzclips (ab 3 s), in 10 Sprachen, und passt auf kleinere GPUs. In der AI Game Dev App läuft es lokal über **Local audio generation** (`aigd.audiocpp`, die audio.cpp-Laufzeit), sodass jede Dialogzeile nichts kostet. Es eignet sich für Game-Entwickler, die Charaktere mit der eigenen Stimme vertonen wollen – oder mit der eines Sprechers nach dessen Einverständnis – auf einer GPU mit etwa 4 GB Speicher (Schätzung), unter Apache-2.0, was kommerzielle Nutzung erlaubt.

## Was du erstellen kannst

- NPC-Dialoge und Erzählung in einer Stimme, die du einmal aufgenommen hast.
- Platzhalter-Sprachzeilen in deiner eigenen Stimme, während du prototypst, bevor die finale Aufnahme entsteht.
- Dieselbe Charakterstimme in bis zu 10 Sprachen für einen lokalisierten Build.
- Tutorial-Vertonung, Ansager-Sprüche und Funkgespräche.

## Beispielanfragen

- „Mit meiner Aufnahme `voice/me.wav` lies die Tutorial-Zeilen in `dialogue/tutorial.txt` vor."
- „Klone die Stimme in `voice/captain.wav` und sage: ‚Haltet die Stellung! Verstärkung ist unterwegs.'"
- „Lass den Ladenbesitzer ‚Willkommen zurück, Reisender' auf Englisch, Deutsch und Japanisch sagen, mit `voice/shopkeeper.wav`."

## Highlights

| Spezifikation | Wert |
|---|---|
| Stimme | geklont aus einem WAV-Clip von 3–30 s; Transkript optional |
| Sprachen | Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch, Italienisch |
| Ausgabe | 24 kHz Mono-WAV, in deinem Projekt gespeichert |
| Text pro Anfrage | bis zu 600 Zeichen (etwa 40 s englische Sprache); längerer Text kommt in geordnete Segmente |
| Wiederholbar | ein Seed wiederholt ein Ergebnis |

- **Stimmklonen**: Füge einen WAV-Clip (3–30 s, eine Person, die deutlich spricht) als *Voice to clone* hinzu. Das exakte Transkript ist optional und liefert die größte Ähnlichkeit; ohne es klont das Modell nur anhand der Klangfarbe des Sprechers (`x_vector_only_mode`). Das Modell hat keine eigene Stimme: Jede Anfrage braucht einen Clip.
- Keine Emotionsanweisungen: dafür CustomVoice oder VoiceDesign verwenden (siehe unten).

Das Modell erkennt die Sprache des Textes selbst; die Spracheinstellung ist nur informativ.

Dieses Paket enthält nur Daten. Es benennt die Modelldatei. Die App lädt sie nach deiner Bestätigung herunter, prüft sie per sha256 und führt sie mit audio.cpp auf deinem Computer aus.

## Welches Qwen3-TTS-Paket du wählen solltest

Alle vier laufen über dieselbe Laufzeit, sprechen dieselben 10 Sprachen und schreiben 24 kHz Mono-WAV. Sie unterscheiden sich darin, wie die Stimme gewählt wird:

| Paket | Stimme kommt von | Emotionsanweisungen | Download | GPU-Speicher (Schätzung) |
|---|---|---|---:|---|
| [Qwen3-TTS 0.6B Base](https://ai-game.dev/packages/aigd.audio-qwen3-tts-0-6b-base) | ein Referenzclip (Klonen) | nein | 1.99 GB | etwa 4 GB |
| [Qwen3-TTS 1.7B Base](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-base) | ein Referenzclip (Klonen) | nein | 2.70 GB | etwa 6 GB |
| [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice) | neun integrierte Stimmen | yes | 2.82 GB | etwa 6 GB |
| [Qwen3-TTS 1.7B VoiceDesign](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-voicedesign) | eine Textbeschreibung der Stimme | ja, in der Beschreibung | 2.82 GB | etwa 6 GB |

- Klone eine echte Stimme (deine oder die eines Sprechers mit Einverständnis): **0.6B Base** auf kleineren GPUs, **1.7B Base**, wenn du etwa 6 GB GPU-Speicher hast.
- Nutze fertige Stimmen und steuere die Emotion: **1.7B CustomVoice**.
- Erfinde eine neue Charakterstimme allein aus Worten: **1.7B VoiceDesign**.

## Download

1,99 GB, eine Datei, an einen Hugging Face Commit gebunden:

| Datei | Von | Größe |
|---|---|---:|
| `qwen3-tts-12hz-0.6b-base-q8_0.gguf` (Talker, Speaker-Encoder und 12-Hz-Sprachcodec in einer Datei) | [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/Qwen3-TTS-12Hz-0.6B-Base-GGUF) @ `b7b9aa1f` | 1.99 GB |

## Welche Computer

| Computer | Benötigt | Geschwindigkeit |
|---|---|---|
| NVIDIA GPU (CUDA) oder eine andere GPU (Vulkan) | etwa 4 GB GPU-Speicher (Schätzung) | noch nicht gemessen |
| Mac mit Apple Silicon (Metal) | etwa 8 GB Arbeitsspeicher (Schätzung) | noch nicht gemessen |

Die Speicherangaben sind Schätzungen aus der Dateigröße und Qwens Angaben für das Originalmodell und werden vor der Veröffentlichung auf einer echten GPU geprüft.

## Lizenz

Apache-2.0. Die kommerzielle Nutzung des Modells und der damit erzeugten Sprache ist erlaubt.

- Qwen3-TTS-12Hz-0.6B-Base © Qwen team, Alibaba Cloud — [Model Card](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-0.6B-Base) (`license: apache-2.0`), [Lizenztext](https://www.apache.org/licenses/LICENSE-2.0).
- Qwen3-TTS-Tokenizer-12Hz (der Sprachcodec, eingepackt in die GGUF-Datei) © Qwen team — [Model Card](https://huggingface.co/Qwen/Qwen3-TTS-Tokenizer-12Hz), Apache-2.0.
- GGUF-Paketierung: [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — die Card des Repositorys führt die Qwen3-TTS-GGUF-Pakete als Apache-2.0, geregelt durch die Lizenz des Originalmodells.

Erforderliche Namensnennung, wenn du die Gewichte weitergibst: Behalte den Apache-2.0-Lizenztext und die zugehörigen Hinweise für Qwen3-TTS bei. Für die von dir erzeugte Sprache ist keine Namensnennung erforderlich.

Einschränkungen, klar gesagt: keine über die obigen Hinweispflichten hinaus — kein Gebietslimit, keine Umsatzobergrenze, kein Wasserzeichen. Klone nur eine Stimme, die du verwenden darfst (deine eigene oder mit Einverständnis der sprechenden Person): Identitätstäuschung, Betrug und Desinformation sind nicht erlaubt, und Gesetze zum Schutz der Stimme gelten. Du bist verantwortlich für das, was du erzeugst.

Alle Dateien werden von Hugging Face heruntergeladen. AI Game Dev hostet sie nicht.
````
