Qwen3-TTS 1.7B VoiceDesign (Sprachsynthese-Modell)
gamedev pkg add aigd.audio-qwen3-tts-1-7b-voicedesignÜbersicht
Qwen3-TTS 1.7B VoiceDesign: Text-to-Speech mit einer neuen Stimme, die aus einer Textbeschreibung („Ein ruppiger alter Seemann, tief und langsam“) entsteht und auch Emotion und Vortrag festlegt – in 10 Sprachen, 24 kHz, für Charakterstimmen. Läuft lokal auf deiner GPU mit audio.cpp. Apache-2.0, kommerzielle Nutzung erlaubt.
Qwen3-TTS 1.7B VoiceDesign ist das Voice-Design-Modell aus der Qwen3-TTS-Familie von Alibaba Cloud: Es erzeugt aus einer Textbeschreibung („Ein ruppiger alter Seemann, tief und langsam“) eine neue Stimme und spricht in 10 Sprachen. Die Beschreibung legt außerdem Emotion und Vortrag fest. In der AI Game Dev App läuft es lokal auf deiner GPU über Lokale Audiogenerierung (aigd.audiocpp, die audio.cpp-Laufzeitumgebung), sodass jede Dialogzeile nichts kostet. Es eignet sich für Spiementwickler, die viele unterschiedliche Charakterstimmen ohne Aufnahmen brauchen – unter Apache-2.0, was kommerzielle Nutzung erlaubt.
Was du erstellen kannst
- Eine eigene Stimme für jeden NPC, in Worten beschrieben: Alter, Charakter, Ton und Tempo.
- Kontrastierende Stimmen für ein ganzes Ensemble: alt und jung, rau und sanft, schnell und langsam.
- Erzähler und Ansager mit einer bestimmten Stimmung.
- Dialoge in 10 Sprachen für einen lokalisierten Build.
Beispielanfragen
- „Lass eine ruppige alte Seemannsstimme erstellen, tief und langsam, und lass ihn sagen: ‚Ein Sturm zieht auf. Mach alles fest.‘“
- „Erstelle eine warme erwachsene Erzählerstimme und lies
dialogue/prologue.txtvor.“ - „Gib dem Koboldhändler eine quietschige, schnelle, verschlagene Stimme und sprich die Zeilen in
dialogue/merchant.txtein.“
Highlights
| Eigenschaft | Wert |
|---|---|
| Stimme | aus einer Textbeschreibung erzeugt; ohne Beschreibung wählt das Modell eine Stimme |
| Emotion und Vortrag | werden durch dieselbe Beschreibung festgelegt |
| Sprachen | Chinesisch, Englisch, Japanisch, Koreanisch, Deutsch, Französisch, Russisch, Portugiesisch, Spanisch, Italienisch |
| Ausgabe | 24 kHz mono WAV, gespeichert in deinem Projekt |
| Text pro Anfrage | bis zu 600 Zeichen (etwa 40 s englische Sprachausgabe); längerer Text geht in geordneten Segmenten |
| Wiederholbar | ein Seed wiederholt ein Ergebnis |
Das Modell erkennt die Sprache des Textes selbst; die Spracheinstellung ist nur informativer Art.
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 Laufzeitumgebung, sprechen dieselben 10 Sprachen und schreiben 24 kHz mono WAV. Sie unterscheiden sich darin, wie die Stimme gewählt wird:
| Paket | Stimme kommt aus | Emotionsanweisungen | Download | GPU-Speicher (Schätzung) |
|---|---|---|---|---|
| Qwen3-TTS 0.6B Base | einem Referenz-Clip (Klonen) | nein | 1.99 GB | etwa 4 GB |
| Qwen3-TTS 1.7B Base | einem Referenz-Clip (Klonen) | nein | 2.70 GB | etwa 6 GB |
| Qwen3-TTS 1.7B CustomVoice | neun integrierte Stimmen | yes | 2.82 GB | etwa 6 GB |
| Qwen3-TTS 1.7B VoiceDesign | einer Textbeschreibung der Stimme | ja, in der Beschreibung | 2.82 GB | etwa 6 GB |
- Eine echte Stimme klonen (deine eigene oder die einer Sprecherin oder eines Sprechers mit Einwilligung): 0.6B Base auf kleineren GPUs, 1.7B Base, wenn du etwa 6 GB GPU-Speicher hast.
- Fertige Stimmen nutzen und die Emotion steuern: 1.7B CustomVoice.
- Eine neue Charakterstimme allein aus Worten erfinden: 1.7B VoiceDesign.
Download
2,82 GB, eine Datei, an einen Hugging Face Commit gepinnt:
| Datei | Von | Größe |
|---|---|---|
qwen3-tts-12hz-1.7b-voicedesign-q8_0.gguf (Talker und 12-Hz-Sprachcodec in einer Datei) | audio-cpp/audio.cpp-gguf @ b7b9aa1f | 2.82 GB |
Welche Computer
| Computer | Benötigt | Geschwindigkeit |
|---|---|---|
| NVIDIA GPU (CUDA) oder eine andere GPU (Vulkan) | etwa 6 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 zum 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-1.7B-VoiceDesign © Qwen team, Alibaba Cloud — Model Card (
license: apache-2.0), Lizenztext. - Qwen3-TTS-Tokenizer-12Hz (der Sprachcodec, eingebettet in die GGUF-Datei) © Qwen team — Model Card, Apache-2.0.
- GGUF-Paketierung:
audio-cpp/audio.cpp-gguf— die Repository-Card 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 in der Lizenz über die oben genannten Hinweispflichten hinaus — kein Gebietslimit, keine Umsatzobergrenze, kein Wasserzeichen. Du bist dafür verantwortlich, was du erzeugst.
Alle Dateien werden von Hugging Face heruntergeladen. AI Game Dev hostet sie nicht.
Versionen
| Version | Veröffentlicht | Benötigt die App |
|---|---|---|
| 1.0.2Neueste | 0.32.0-beta.6 oder neuer | |
| 1.0.1 | 0.32.0-beta.6 oder neuer |
Installieren
In der Desktop-App
Öffne das Fenster Packages (das Paket-Symbol in der Statusleiste), wähle Browse, suche aigd.audio-qwen3-tts-1-7b-voicedesign und klicke auf Add to Project.
Noch keine App? Lade AI Game Dev kostenlos herunter für Windows, macOS oder Linux.
Im Terminal
Mit der gamedev CLI in deinem Projektordner:
gamedev pkg add aigd.audio-qwen3-tts-1-7b-voicedesignVoraussetzungen
- AI Game Dev 0.32.0-beta.6 oder neuer
gamedev pkg add aigd.audio-qwen3-tts-1-7b-voicedesign