Lokale Bordcomputer-Probe mit Qwen3-TTS

Auftrag und Stand

Eine erwachsene weibliche deutsche Bordcomputerstimme aus einer Beschreibung erproben: ruhig und souverän bei Statusmeldungen, klar bei Warnungen, mit hörbarer Erleichterung beim Erfolg. Zunächst entstehen ausschließlich drei kurze Hörproben. Sie ersetzen keine aktiven Spielassets und sind keine erneute Produktion des alten 90-Zeilen-Katalogs.

Die vorhandene ElevenLabs-Stimme wird nicht geklont. Keine Sprecheraufnahme, kein Dienstkonto und kein API-Schlüssel werden verwendet. Die abgelehnte Piper-Stimme bleibt abgelehnt.

Stand 8. September 2026: Die isolierte Installation, der öffentliche Modelldownload und ein vollständiger Lauf mit drei Proben sind abgeschlossen. Der Lauf erfolgte im freigegebenen GPU-Zeitfenster nach der Unity-Sichtprüfung. Es gab keinen Speicherfehler und keinen Ausweichlauf mit einem anderen Modell. Der Generatorprozess ist beendet. Die technische Prüfung ist bestanden. Der Nutzer hat die Probe inzwischen gehört und die Stimmrichtung positiv beurteilt; die gezielte Akzentkorrektur ist unten festgehalten.

Herkunft und Umgebung

• Offizielles Modell: Qwen3-TTS-12Hz-1.7B-VoiceDesign.
• Festgehaltene Modellrevision: 5ecdb67327fd37bb2e042aab12ff7391903235d3. Öffentlicher, nicht zugangsbeschränkter Checkpoint. Modell und Code tragen Apache-2.0. Der vollständige Modelldownload umfasst 12 Dateien mit insgesamt 4.520.162.313 Bytes einschließlich Sprach-Tokenizer. Beide Gewichtsdateien stimmen mit den veröffentlichten SHA-256-Werten überein.
• Anleitung: Qwen3-TTS. Die Sprachwahl ist ausdrücklich German; die Beschreibung der Stimme wird mit generate_voice_design übergeben.
• Isolierter Arbeitsbereich: Artifacts/Speech/Qwen; Python-Umgebung: Artifacts/Speech/Qwen/.venv, auf Basis des vorhandenen Python 3.11. Die frühere Piper-Umgebung bleibt unverändert.
• Installierte Pakete: qwen-tts==0.1.1, torch==2.9.1+cu128 und torchaudio==2.9.1+cu128 aus dem offiziellen CUDA-12.8-Wheelindex, transformers==4.57.3, accelerate==1.12.0, soundfile==0.14.0, numpy==2.4.6. Python-Version: 3.11.0. Die vollständig aufgelösten Versionen und Paketquellen stehen in den beiden Installationsberichten und environment-freeze.txt; pip check meldet keine verletzten Anforderungen.
• Inferenz: CUDA, BF16, Batchgröße 1 und SDPA. Der offizielle Modellcode unterstützt SDPA. Dadurch ist für diesen Versuch keine Windows-Kompilierung von FlashAttention erforderlich.
• Zielhardware: RTX 4060 Laptop, rund 8.188 MiB VRAM, vorgegebener Treiber 577.00. Gemessen wurden maximal 4.133 MiB von PyTorch belegt und 4.208 MiB von PyTorch reserviert. Das ist der Speicher dieses Prozesses, nicht der Gesamtverbrauch aller Anwendungen auf der GPU.
• Der gesamte isolierte Arbeitsbereich belegt nach diesem Lauf rund 13,10 GB einschließlich Modell, Umgebung und Downloadcache. Außerhalb der Umgebung wurden keine Pythonpakete installiert.

Beim Import erscheinen Hinweise zum fehlenden SoX-Programm und zu FlashAttention. Die drei Proben wurden dennoch vollständig mit dem mitgelieferten 12-Hz-Tokenizer erzeugt. Das Laufmanifest bestätigt für Hauptmodell, Talker und Code-Predictor tatsächlich sdpa, torch.bfloat16 und cuda:0; eine zusätzliche globale SoX-Installation oder FlashAttention-Kompilierung war nicht nötig.

Reproduktion

Tools/Generate-Qwen-Probe.py prepare lädt ausschließlich die festgehaltene öffentliche Revision und prüft Dateigrößen sowie veröffentlichte SHA-256-Werte der großen Gewichtsdateien. Für alle Dateien wird ein eigener SHA-256 erfasst. model-metadata.json und model-source-manifest.json bleiben neben der Umgebung erhalten. Dieser Schritt importiert weder PyTorch noch den Sprachgenerator und beansprucht keine GPU.

Nach abgeschlossener Installation und Reservierung der GPU:

& 'Artifacts/Speech/Qwen/.venv/Scripts/python.exe' 'Tools/Generate-Qwen-Probe.py' generate

Die Erzeugung prüft die lokalen Modellhashes erneut und arbeitet im Offline-Modus. Neue Ergebnisse werden unter einem eigenen Zeitstempel in Artifacts/Speech/Qwen/runs gespeichert; vorherige Hörproben bleiben erhalten.

Die drei Texte sind eigene, kurze Probezeilen:

Alle drei verwenden dieselbe englische Stimmbeschreibung und denselben Seed 4317. Die vollständige Beschreibung steht im Helferskript und wird unverändert im Laufmanifest gespeichert. Sie fordert eine erwachsene weibliche Stimme, präzises Standarddeutsch, eine mittlere bis tiefere Tonlage und kontrollierte, natürliche Betonung. Das ist eine neu beschriebene synthetische Stimme, keine Nachbildung der früheren Aufnahmen.

Parameter: nicht gestreamte Texteingabe, Sampling aktiv, Temperatur 0,8, Top-k 50, Top-p 1,0, Wiederholungsstrafe 1,05, maximal 256 neue Audio-Token. Die drei Texte werden einzeln erzeugt. Es gibt keine Pitchverschiebung, keinen Robotereffekt und keine künstliche Beschleunigung.

Ausgabe und Bewertung

Die zusammenhängende Hörprobe dauert 20,32 Sekunden. Das Laufmanifest hält alle Parameter und Dateihashes fest. Es ist eine Probe einer neu beschriebenen KI-Stimme, noch keine ausgewählte Spielstimme.

Alle drei fertigen Clips sind Mono-PCM16 mit 24.000 Hz. Die Wellenformen sind endlich, nicht leer und nicht stumm; die Signalspitzen bleiben unter Vollaussteuerung. Für keinen Clip war eine Pegelabsenkung nötig. Anschließend wurden WAV-Header, Frameanzahl, Dateihashes und die beiden 0,8-Sekunden-Pausen der Gesamtprobe unabhängig vom Erzeugungsschritt nachgerechnet. Diese drei kurzen Clips benötigten insgesamt 57,677 Sekunden eigentliche Inferenz; das ist eine lokale Messung und keine Echtzeitzusage.

Pro Text werden das rohe Float-WAV und ein Mono-PCM16-WAV in der vom Modell gelieferten Abtastrate aufbewahrt. Nur ein erforderliches Absenken von Spitzen über 0,95 ist erlaubt und wird als Verstärkungsfaktor protokolliert. Eine zusammenhängende Hörprobe enthält die drei PCM-Clips mit je 0,8 Sekunden Pause dazwischen.

Das Manifest erfasst Modellrevision, Lizenz, Datei- und Skripthashes, Text, Stimmbeschreibung, Paketversionen, Seed, Parameter, Abtastrate, Dauer, Spitzenpegel, RMS, Stilleanteil, Erzeugungszeit und GPU-Speicherhöchststand. Technische Prüfungen erkennen ungültige oder leere Wellenformen; sie behaupten keine gute Aussprache oder gelungene Sprecherbesetzung.

VoiceDesign garantiert durch gleiche Beschreibung und gleichen Seed keine identische Sprecheridentität für getrennte Texte. Die weitere Produktion muss deshalb Standarddeutsch, Eigennamen und dieselbe erwachsene Stimmfarbe über mehrere Texte prüfen. Die Originaldateien von ElevenLabs werden dafür nicht herangezogen.

Tatsächliche Nutzerrückmeldung und nächster Take

Der Nutzer beschreibt die Stimme als „schon wesentlich besser“ und den Großteil der 20-Sekunden-Probe als gut. Nur im Satz mit „Commander“ hört er einen unerwünschten englisch-deutschen Akzent. Dieses Urteil ersetzt den bisherigen Status „Hörurteil offen“ für die Stimmrichtung; es ist keine Abnahme noch nicht erzeugter Storyaufnahmen.

Die Fortsetzung verwendet die eigene synthetische Statusaufnahme als feste Stimmreferenz mit Qwen Base und ausdrücklich deutscher Sprachwahl. Die Warnzeile wurde mit unverändertem „Commander“ und der Syntheseschreibweise „Kommander“ aufgenommen, dazu die erste kleine Storygruppe aus dem Aufnahmeplan. Neue Hördateien und Prüfergebnis ermöglichen den gezielten Vergleich von Akzentkorrektur und Stimmfarbe über längere Inhalte.