Меня зовут Илья, я основатель сервиса для генерации изображений ArtGeneration.me, блогер и просто фанат нейросетей. А еще я сам собрал портативную версию Qwen3-TTS под win11 и успел её как следует протестировать.

Главная особенность системы в том, что она умеет не только озвучивать текст готовыми голосами, но и клонировать любой голос по короткому образцу, а ещё создавать новые голоса по текстовому описанию.

И всё это с нативной поддержкой русского языка.

Как это работает

В основе Qwen3-TTS лежит End-to-End архитектура с дискретным многоканальным токенизатором речи (12.5 Гц, 16 слоёв). В отличие от традиционных систем, которые работают по цепочке "текст → фонемы → звук" и теряют информацию на каждом этапе, здесь всё обрабатывается одним махом.

Такой подход полностью исключает эффект "роботизированности" и каскадные ошибки генерации. Модель сохраняет интонации, эмоции и особенности тембра.

Работает очень быстро даже на старшей модели 1.7B.

Поддерживаемые языки

Qwen3-TTS работает с 10 языками:

• Китайский (включая пекинский и сычуаньский диалекты)

• Английский

• Японский

• Корейский

• Немецкий

• Французский

• Русский

• Португальский

• Испанский

• Итальянский

Возможности

Синтез с готовыми голосами (CustomVoice)

9 встроенных голосов разных типов — молодые и зрелые, мужские и женские. Можно управлять эмоциями и стилем речи через текстовые инструкции.

Создание голоса по описанию (VoiceDesign)

Описываете словами, какой голос нужен — модель его генерирует. Например: "молодой женский голос, игривый, с высоким тоном". Лучше работает если писать промпты на голос на английском.

Клонирование голоса (Voice Clone)

Загружаете аудио от 3 секунд — получаете синтез этим голосом. По бенчмаркам качество клонирования превосходит ElevenLabs и MiniMax по показателям сходства спикеров. Оно и правда веского качества, уровень VibeVoice, но гораздо легче по ресурсам.

Multi-Speaker режим

Создание диалогов и подкастов с несколькими спикерами одновременно (до 4 голосов).

Можно эмулировать разговор между друзьями, актерами, персонажами из игры, все теперь ограничивается только вашей фантазией.

Кому пригодится

Создателям контента — озвучка роликов, подкастов, стримов.

Разработчикам игр — озвучка персонажей без найма актёров, особенно актуально для инди.

Аудиокнигам — разные голоса для персонажей.

Автоматизации — голосовые уведомления, IVR-системы, ассистенты.

Как попробовать

Онлайн-демо

Тут в демо меньше возможностей и нет локализации, но тоже отлично работает.

Hugging Face Demo — https://huggingface.co/spaces/Qwen/Qwen3-TTS

Официальный GitHub

Можно попробовать установить самостоятельность с гитхаб, но это потребует опыта и навыков.

GitHub: https://github.com/QwenLM/Qwen3-TTS

API

Официальное API от Alibaba для production-интеграции.

Ссылка: https://www.alibabacloud.com/help/en/model-studio/qwen-tts-realtime

Портативная версия

Я с каналом Нейро-Софт подготовил улучшенную портативную сборку Qwen3-TTS Portable PRO, видео выше как раз из неё и записаны. А еще там:

• Русифицированный интерфейс

• Установка в один клик (install.bat)

• 50+ готовых голосов в комплекте

• 700+ дополнительных голосов для скачивания из интерфейса

• Multi-Speaker режим до 4 спикеров

• Поддержка NVIDIA GPU и CPU

Скачать: https://github.com/timoncool/Qwen3-TTS_portable_rus

Системные требования

• NVIDIA GPU с 8+ ГБ видеопамяти (или CPU, но медленнее)

• Windows 10/11 64-bit

• 16 ГБ оперативной памяти

• 20 ГБ свободного места на диске

Текущие ограничения

• Ударения иногда расставляются неправильно

• С длинными текстами могут быть проблемы

• Инструкции для VoiceDesign лучше писать на английском

Распакуйте в корень диска (путь без кириллицы), запустите install.bat. Модели скачаются при первом запуске. А если будут сложности в установкой в посте в канале найдете версию с уже установленным env (окружением).

Я рассказываю больше о нейросетях у себя на YouTube, в телеграм и на Бусти. Буду рад вашей подписке и поддержке. Ну и на канал Нейро-Софт тоже подпишитесь, чтобы не пропустить полезные репаки. Всех обнял и удачных генераций!

Не так давно, я писала, что Elevenlabs с барского плеча выкатили приложение для бесплатного создания аудиокниг. Теперь сервис ElevenReader доступен и на сайте

• Очень удобно, что может конвертировать в аудио популярные текстовые форматы - txt, epub, pdf и т.д.

• Доступны 32 языка, включая русский.

• И создать свою аудиокниг моно все так же абсолютно бесплатно!

Кстати, все видео я тоже перевела в Elevenlabs с сохранением голоса и интонации диктора. Это реально платформа для всего, что связано со звуком и голосом - все в одном месте)

2. Scribe для преобразования аудио в текст

Помимо того, что можно из текста сделать аудио, Elevenlabs сделали и наоборот, - выкатили сервис Scribe для точного преобразования аудио в текст. Сервис очень точно распознает речь

Имейте ввиду, что для работы потребуется иностранный айпи

Более того, заявлено, что справляется лучше Whisper V3 от OpenAI на 36,9% и Gemini 2.0 Flash на 5,6%. Как многие уже успели убедиться по нейродубляжу,Elevenlabs отлично определяет количество спикеров и различает их голоса. Добавляет маркеры для лучшего восприятия диалогов. А еще распознает без проблем “ээ” и прочие междометия, вздохи.

Работает просто - загружаете файл, но не тяжелее 100Mb, и сервис быстро преобразует аудиофайл в текст.

Очень удобно, что для субтитров сразу можно экспортировать файл в формате SRT, а еще расставить тайм-коды. Поддерживает 99 языков, включая русский.

Кстати, как вам мой голос на этом видео - в статье про бесплатный аналог ChatGPT? На самом деле, мне лень было записывать, я решила по-быстренькому напечатать текст, и Elevenlabs озвучил моим голосом)

Знаете что самое приятное в этой ситуации? Да, то, что можно на минимальном тарифе за 5 баксов в месяц быстро клонировать свой голос, например, скачать и скинуть свое голосовое из Вацапп)

Но я про другое) Несколько месяцев я Elevenlabs почти не пользовалась, ну так сложилось - были другие задачи 🤷🏻‍♀️ И я оставалась на тарифе за 5$. В какой-то момент я думала временно отключить подписку, но боги маркетинга были против, и вот я уже соглашаюсь 1 месяц за 1 доллар вместо 5 попробовать 🫣 В итоге сейчас мне активно понадобилась платформа чтобы сделать х2 по задачам, и и меня ждали накопленные кредиты 🥹 Даже на тариф подороже не понадобилось переходить, непотраченные кредиты не списывались каждый месяц, а копились, для меня приятное открытие, вдруг кому тоже будет полезно)

Там же кстати можно создать кастомный голос - кстати, этот пост тоже был озвучен подобным образом, а еще и про Napkin, а вы и не заметили) ну или не сказали

Так же вам может быть интересно:

• Как оплачивать иностранные сервисы

• А если вам не хочется заморачиваться, в боте Syntx -- это мини приложение в телеграм, есть все популярные модели в единой подписке, и их можно оплатить русской картой. - Процесс я показала на примере создания Нейрофотосессии со своим лицом

Пост полезности, как сделать транскрипцию совещания и затем определить итоги совещания.

Помогут в этом инструменты высокой точности, которые переводят аудио или видео в текст. В сети расфорсился инструмент Transkriptor, который обещает расшифровать ваши аудио и видео с 99% точностью.

Я проверила на своем видео из прошлого поста, действительно, сервис точный, есть приложение, так что удобно использовать на совещаниях. Запись экрана тоже хорошо расшифровывает, можно скачать и загрузить файлы разных форматов. Там же на платформе есть ИИ.

А теперь к минусам Transkriptor:

Бесплатно подойдет для роликов до 2 минут, далее подписка от 20$ в месяц или 100$ за год, за это дается 2400 минут в месяц. Кстати, потом дают скидку и уже 10$ в месяц за все.

Я рекомендую сервис для профессионального использования, когда другие не справляются или для рабочих совещаний. Так же я вам подготовила бесплатную альтернативу, я и сама любитель сэкономить)

Бесплатная альтернатива:

Хорошие бесплатные возможности дает Yescribe.ai - бесплатно можно загрузить 3 файла в день по 30 минут и точность тоже 99%. Тоже около 100 языков, включая русский.

А потом я рекомендую транскрипцию встречи вставить в ChatGPT, чтобы он привел сумбурные записи в структурированную запись с четко определенными моментами по итогу совещания. А поможет вам в этом этот промпт 😉

Больше полезных, а главное проверенных сервисов для учебы, работы и бизнеса в моем Закрытом клубе. Там же мы учимся промптить, разбираемся в языковых моделях, помогаем друг другу с задачами. Смысл в том, что вы платите только один раз! Вам не нужно торопиться, пока подписка действует, вы можете учиться в своем темпе, и в любой момент задать вопрос в чате) А то всё быстро устаревает, а на постоянные обучения денег не напасешься, я это понимаю.

Как использовать:

Во вкладке слева Voices нажимаем кнопку Add a new voice. Затем выбираем Voice Design, описываем, каким должен быть голос персонажа, и пишем текст для озвучки, как я показала на видео.

Текст должен быть не короче 100 слов и не длиннее 1000 слов.

Мои рекомендации:

В самом начале создания голоса я вставила текст в 700 символов, в итоге возникла ошибка, а кредиты списались, я повторила процедуру - и итог тоже повторился 😁 Поэтому, чтобы не тратить свои нервы и кредиты, для начала используйте фразу от 100-150 слов. Так голос спокойно и без ошибок сгенерируется в трех вариантах, из которых вам надо будет выбрать понравившийся. А вот после того, как вы этот голос сохранили, можете использовать уже на длинных текстах.

Кстати, видео я тоже озвучила с помощью ElevenLabs - быстро клонировала свой голос даже не в профессиональном режиме, а на самом минимальном тарифе от 5$

Как бесплатно использовать Elevenlabs

Бесплатно на старте ElevenLabs дают 10 000 кредитов, которые вы можете использовать по своему усмотрению, так как там есть и дубляж видео на разные языки, и синтез голоса, и клонирование голоса, в общем, рекомендую ознакомиться с сервисом, в этом посте я сравнила его с другими сервисами.

Чтобы работать с ElevenLabs необходимо поменять свой ip, if you know what I mean ))

Друзья, сегодня хочу поделиться с вами сервисом, который значительно упростит работу с аудио и текстом — Silero. Если вы создаете подкасты, видео или вам нужно быстро перевести аудио в текст, этот инструмент для вас. Тем более, что ElevenLabs заблокирован в РФ, и не все впн заходят на сайт.

Что может Silero:

• Преобразует аудио в текст с высокой точностью, поддерживая русский язык и различные акценты.

• Превращает текст в естественную голосовую озвучку. Идеально для создания аудиокниг, дикторских текстов и озвучки видео.

• Обработка происходит быстро даже с большими объемами данных.

Можно бесплатно установить с GitHub. Если вы не знакомы с программированием, на сайте Silero есть веб-интерфейс для быстрого тестирования функций без установки дополнительных программ 😉

Что крутого в Silero:

• Проект с открытым исходным кодом, доступен для всех.

• Оптимизирован для русского, учитывает нюансы произношения.

• Легко интегрируется в ваши приложения и проекты.

Отлично подойдет для транскрибации интервью и создания озвучки для видео. Точность распознавания хорошая, а синтезированная речь звучит естественно и приятно для восприятия.