Локальный Qwen3-TTS клонировал голос по 12-секундному семплу, но английский получил русский акцент.
Локальный агент развернул модель Qwen3-TTS 1.7B Base в 8-битном режиме через MLX Audio и клонировал голос по 12-секундному образцу. Голос получился очень похожим на оригинал.
Что пошло не так
Вместе с похожестью модель сохранила фонетику русской речи, поэтому в английской озвучке появился заметный русский акцент.
После автоперевода изменилась длина аудиодорожек. Чтобы растянуть звук до длины видеоряда, агент начал его замедлять. Липсинком не занимались, поэтому звук живёт немного отдельно от картинки.
Итог
Английская озвучка получилась грустной и слегка подвыпившей, будто персонаж из голливудской драмы. Если доработать скорость звука и настройки агента, можно добиться приемлемого результата.
Мы считаем главным открытием то, что даже небольшие локальные модели неплохо клонируют голос.
Ещё новости:
