# Qwen3-TTS 0.6B Base (modelo de voz)

> Qwen3-TTS 0.6B Base: texto a voz que clona la voz de un clip de referencia corto (3 s o más) en 10 idiomas, 24 kHz, para diálogos de personajes y narración. El modelo de clonación más pequeño, para GPU con unos 4 GB (estimación). Se ejecuta en local con audio.cpp. Apache-2.0, se permite el uso comercial.

- Id: `aigd.audio-qwen3-tts-0-6b-base`
- Origen: Oficial (propio `aigd.*`)
- Categoría: Audio
- Editor: AI Game Dev (`aigd`), verificado
- Última versión: 1.0.2 (publicado el 2026-11-22)
- Licencia: Apache-2.0
- Requiere la app AI Game Dev: `>=0.32.0-beta.6`
- Código nativo: no
- Valoración: aún sin valoraciones
- Página HTML: https://ai-game.dev/es/packages/aigd.audio-qwen3-tts-0-6b-base

## Instalar

Con la CLI gamedev, en la carpeta del proyecto:

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

En la app de escritorio: abre la ventana Packages (el icono de paquete en la barra de estado), selecciona **Browse**, busca `aigd.audio-qwen3-tts-0-6b-base` y haz clic en **Add to Project**. Más: https://ai-game.dev/docs/wiki/app/packages

## Versiones

| Versión | Publicado | Requiere app | Notas |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | la más reciente |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## Descripción

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

Qwen3-TTS 0.6B Base es el modelo de clonación de voz más pequeño de la familia Qwen3-TTS de Alibaba Cloud. Dice cualquier texto con la voz de un clip de referencia corto (3 s o más), en 10 idiomas, y cabe en GPU más pequeñas. En la app AI Game Dev se ejecuta en local mediante **Generación de audio local** (`aigd.audiocpp`, el runtime audio.cpp), así que cada línea de diálogo no cuesta nada. Encaja con desarrolladores de juegos que quieren poner voz a sus personajes con su propia voz, o con la de un actor con su consentimiento, en una GPU con unos 4 GB de memoria (estimación), bajo Apache-2.0, que permite el uso comercial.

## Qué puedes crear

- Diálogos de NPC y narración con una voz que grabaste una vez.
- Líneas de voz provisionales con tu propia voz mientras haces el prototipo, antes de la grabación final.
- La misma voz de personaje en hasta 10 idiomas para una versión localizada.
- Voz en off de tutorial, líneas de locutor y charla de radio.

## Ejemplos de peticiones

- "Con mi grabación `voice/me.wav`, lee las líneas del tutorial en `dialogue/tutorial.txt`."
- "Clona la voz de `voice/captain.wav` y di: '¡Mantén la posición! Los refuerzos están en camino.'"
- "Haz que el tendero diga 'Bienvenido de nuevo, viajero' en inglés, alemán y japonés, usando `voice/shopkeeper.wav`."

## Aspectos destacados

| Especificación | Valor |
|---|---|
| Voz | clonada a partir de un clip WAV de 3–30 s; transcripción opcional |
| Idiomas | Chino, inglés, japonés, coreano, alemán, francés, ruso, portugués, español, italiano |
| Salida | WAV mono de 24 kHz, guardado en tu proyecto |
| Texto por petición | hasta 600 caracteres (unos 40 s de habla en inglés); el texto más largo va en segmentos ordenados |
| Reproducible | una semilla repite un resultado |

- **Clonación de voz**: añade un clip WAV (3–30 s de una persona hablando con claridad) como *Voz a clonar*. Su transcripción exacta es opcional y da el mayor parecido; sin ella, el modelo clona solo el timbre de la persona (`x_vector_only_mode`). El modelo no tiene voz propia: cada petición necesita un clip.
- Sin instrucciones de emoción: para eso, usa CustomVoice o VoiceDesign (ver más abajo).

El modelo detecta por sí mismo el idioma del texto; el ajuste de idioma es informativo.

Este paquete solo contiene datos. Indica el archivo del modelo. La app lo descarga después de que lo confirmes, lo verifica mediante sha256 y lo ejecuta con audio.cpp en tu equipo.

## Qué paquete de Qwen3-TTS elegir

Los cuatro usan el mismo runtime, hablan los mismos 10 idiomas y escriben WAV mono de 24 kHz. Se diferencian en cómo se elige la voz:

| Paquete | La voz procede de | Instrucciones de emoción | Descarga | Memoria de GPU (estimación) |
|---|---|---|---:|---|
| [Qwen3-TTS 0.6B Base](https://ai-game.dev/packages/aigd.audio-qwen3-tts-0-6b-base) | un clip de referencia (clonación) | no | 1.99 GB | unos 4 GB |
| [Qwen3-TTS 1.7B Base](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-base) | un clip de referencia (clonación) | no | 2.70 GB | unos 6 GB |
| [Qwen3-TTS 1.7B CustomVoice](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-customvoice) | nueve voces integradas | yes | 2.82 GB | unos 6 GB |
| [Qwen3-TTS 1.7B VoiceDesign](https://ai-game.dev/packages/aigd.audio-qwen3-tts-1-7b-voicedesign) | una descripción textual de la voz | sí, en la descripción | 2.82 GB | unos 6 GB |

- Clona una voz real (la tuya, o la de un actor con su consentimiento): **0.6B Base** en GPU más pequeñas, **1.7B Base** cuando tengas unos 6 GB de memoria de GPU.
- Usa voces ya preparadas y dirige la emoción: **1.7B CustomVoice**.
- Inventa la voz de un personaje nuevo solo con palabras: **1.7B VoiceDesign**.

## Descarga

1,99 GB, un solo archivo, fijado a un commit de Hugging Face:

| Archivo | Origen | Tamaño |
|---|---|---:|
| `qwen3-tts-12hz-0.6b-base-q8_0.gguf` (talker, codificador de hablante y códec de voz de 12 Hz en un solo archivo) | [`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 |

## En qué equipos

| Equipo | Requisitos | Velocidad |
|---|---|---|
| GPU NVIDIA (CUDA) u otra GPU (Vulkan) | unos 4 GB de memoria de GPU (estimación) | aún sin medir |
| Mac con Apple silicon (Metal) | unos 8 GB de memoria (estimación) | aún sin medir |

Las cifras de memoria son estimaciones a partir del tamaño del archivo y de las cifras de Qwen para el modelo original, y se comprueban en una GPU real antes del lanzamiento.

## Licencia

Apache-2.0. Se permite el uso comercial del modelo y de la voz que genera.

- Qwen3-TTS-12Hz-0.6B-Base © equipo de Qwen, Alibaba Cloud — [ficha del modelo](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-0.6B-Base) (`license: apache-2.0`), [texto de la licencia](https://www.apache.org/licenses/LICENSE-2.0).
- Qwen3-TTS-Tokenizer-12Hz (el códec de voz, empaquetado dentro del archivo GGUF) © equipo de Qwen — [ficha del modelo](https://huggingface.co/Qwen/Qwen3-TTS-Tokenizer-12Hz), Apache-2.0.
- Empaquetado GGUF: [`audio-cpp/audio.cpp-gguf`](https://huggingface.co/audio-cpp/audio.cpp-gguf) — la ficha del repositorio indica que los paquetes GGUF de Qwen3-TTS son Apache-2.0, regidos por la licencia del modelo original.

Atribución obligatoria cuando redistribuyas los pesos: conserva el texto de la licencia Apache-2.0 y sus avisos para Qwen3-TTS. No se requiere atribución por la voz que generes.

Restricciones, en claro: ninguna en la licencia más allá de los requisitos de aviso anteriores — sin límite territorial, sin tope de ingresos, sin marca de agua. Clona solo una voz que tengas derecho a usar (la tuya, o con el consentimiento de la persona): no se permiten la suplantación de identidad, el fraude ni la desinformación, y se aplican las leyes sobre el parecido de la voz. Eres responsable de lo que generes.

Todos los archivos se descargan de Hugging Face. AI Game Dev no los aloja.
````
