# Qwen3-TTS-12Hz-1.7B-CustomVoice

Éditeur : Alibaba (Chine). Poids ouverts. Licence : Apache 2.0.

En bref : 7e sur 16 en prononciation du français.

Page : https://quelleia.com/voix/modeles/alibaba-qwen3-tts-12hz-1-7b-customvoice/. Classements de la voix de QUELLE IA, à part du score des modèles de langage, relevé du 19 octobre 2026.

## Présentation

Modèle de synthèse vocale à poids ouverts d'Alibaba (Qwen) qui propose 9 timbres prédéfinis dont on règle le style par instructions en langage naturel. Il s'appuie sur le tokenizer Qwen3-TTS-Tokenizer-12Hz et génère en streaming, avec une latence de bout en bout annoncée à partir de 97 ms. (lu sur https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md, https://raw.githubusercontent.com/QwenLM/Qwen3-TTS/main/README.md)

- Sortie : 22 janvier 2026 (lu sur la page de l'éditeur, https://raw.githubusercontent.com/QwenLM/Qwen3-TTS/main/README.md)
- Taille : 1,9 milliard de paramètres (selon Open TTS Leaderboard)

## Langues

- Annoncées par l'éditeur : 10 langues, dont le français (zh, en, ja, ko, de, fr, ru, pt, es, it).
- Prises en charge selon Open TTS Leaderboard : 10 langues.
- Évaluées par nos sources : français.
- Le français : annoncé par l'éditeur ; évalué, 7e sur 16 en prononciation du français (5,94 %).
- Source des langues annoncées : https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md

## Ses classements

- Prononciation du français : 7e sur 16, taux d'erreur par mot 5,94 % ; vitesse : RTFx 13 : produit 13 secondes d'audio par seconde de calcul ; clonage de voix : non. Source : Open TTS Leaderboard, Hugging Face, https://huggingface.co/spaces/hf-audio/open_tts_leaderboard (relevé du 19 octobre 2026, version du 9 octobre 2026).

## Modèles proches

- Prononciation du français : [Fun-CosyVoice 3.0](https://quelleia.com/voix/modeles/funaudiollm-fun-cosyvoice3-0-5b-2512/), 6e (5,79 %), juste devant
- Prononciation du français : [MOSS-TTS](https://quelleia.com/voix/modeles/openmoss-team-moss-tts/), 8e (6,11 %), juste derrière

## Comment lire ces chiffres

- Synthèse vocale : Dans une arène, des votants écoutent deux voix à l'aveugle et choisissent la meilleure ; l'Elo en tire un classement, plus il est haut, mieux c'est. Le repère de prononciation compte les mots qu'un modèle de transcription comprend mal en relisant la voix : plus il est bas, mieux c'est.

## Noms dans les sources

- Hugging Face (hf-audio) : Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

## Liens

- Page de l'éditeur : https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice
- L'essayer : https://huggingface.co/spaces/Qwen/Qwen3-TTS

## Pages lues

- https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md (« Provides style control over target timbres via user instructions; supports 9 premium timbres covering various combinations of gender, age, language, and dialect. »), 17/10/2026
- https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md (« with end-to-end synthesis latency as low as 97ms »), 17/10/2026
- https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice/raw/main/README.md (« Qwen3-TTS covers 10 major languages (Chinese, English, Japanese, Korean, German, French, Russian, Portuguese, Spanish, and Italian) »), 17/10/2026
- https://raw.githubusercontent.com/QwenLM/Qwen3-TTS/main/README.md (« 2026.1.22: 🎉🎉🎉 We have released [Qwen3-TTS](https://huggingface.co/collections/Qwen/qwen3-tts) series (0.6B/1.7B) based on Qwen3-TTS-Tokenizer-12Hz. »), 17/10/2026