見出し画像

【完全図解】3秒の音声で自分の声をAI化！Qwen3-TTSをGoogle Colabで動かす超初心者向けガイド(全コード付き)

じゃりまめ

#AI #Qwen3TTS #GoogleColab #ボイスクローン #音声合成 #Python初心者 #産業医 #働き方改革 #eラーニング #動画制作


こんにちは！普段は産業医として勤務しながら、企業の従業員向けに睡眠改善プログラムなどの研修やeラーニング教材（動画）を制作している、じゃりまめと申します。

皆さんは、動画の「ナレーション録音」に苦労した経験はありませんか？

スライドを作った後、静かな部屋にこもって、噛まないように何度もテイクを重ねる……。これ、本当に時間も体力も削られますよね。

「自分の書いた原稿を、自分の声そっくりなAIが代わりに読んでくれたらどんなに楽か……」

そう思って最新のAIツールを探していたところ、YouTubeでたてはまさんの動画、そしてQiitaでとんでもない技術を紹介している記事に出会いました。それが今回ご紹介する**「Qwen3-TTS」**です。

この記事では、Pythonやプログラミングの知識がゼロの方でも、コピペ1回でQwen3-TTSを起動し、自分の声のボイスクローンを作るまでの全手順を、どこよりも丁寧に解説します！

1. きっかけは「たてはまさんの動画」と「Qiitaの記事」

私がこのQwen3-TTSの存在を知り、「どうしても使いたい！」と思ったきっかけは、AI情報をわかりやすく発信されている
たてはまさんのYouTube動画
【無料】「3秒で声をコピーできるAI」が完全に一線超えた【Qwen3-TTS】

と、
こちらの素晴らしいQiita記事
Qwen3-TTSってなんだ？〜3秒の音声でボイスクローンできる最新AIを日本語環境で完全攻略〜 #Python - Qiita

でした。

これらの情報を見て衝撃を受けたポイントは以下の3点です。

  1. たった数秒〜10秒の音声でクローン完了

    1. 何時間も自分の声を録音して学習させる必要はありません。スマホで10秒ほど喋った録音データがあれば、それだけで自分の声色や話し方のクセを完璧に再現してくれます。

  2. 日本語がめちゃくちゃ自然

    1. これまでの音声AIのようなロボットっぽさや不自然なイントネーションがなく、日本語の抑揚や自然さが群を抜いています。

  3. 無料で使えるオープンソース

    1. こんな超高機能なAIが、なんと無料で公開されているのです。

「これは研修動画作りに革命が起きる！絶対に導入したい！」と確信しました。

2. 自分のPCでは動かない…そして立ちはだかる「Google Colabの壁」

意気揚々と自分のパソコン（ローカル環境）にインストールして動かそうとしたのですが……全く動きませんでした。

Qwen3-TTSのような高性能な最新AIをスムーズに動かすには、強力なグラフィックボード（GPU）を積んだハイスペックなパソコンが必要です。
私が普段仕事で使っている一般的なノートパソコンのスペックでは、到底太刀打ちできなかったのです。(以下参考)

  • メモリ: 8GB〜16GB程度

  • グラフィックス: CPU内蔵（Intel Iris Xeなど）

「せっかく見つけたのに、パソコンを買い替えないと無理なのか……」と諦めかけました。

そこで救世主となるのが「Google Colaboratory（通称：Google Colab）」です。これは、Googleが無料で貸してくれる「クラウド上の超高性能パソコン」のようなもので、Googleアカウントさえあればブラウザから誰でもハイスペックな環境を使えます。

「これなら私のPCでも動かせる！」と、Qiitaの記事を参考にColabでの起動に挑戦しました。

しかし、ここでまた壁にぶつかります。プログラミングに慣れていない人がColabを使うと、必ず引っかかる「2つのエラー」が存在したのです。

  • エラー1：SoX（音声処理ツール）がない

    1. AIが音声を生成しようとした瞬間に「Soxが見つかりません」というエラーが出て処理が止まってしまいます。

  • エラー2：公開リンクが発行されない

    1. Colabの中でAIが無事に起動しても、私たちがブラウザから操作画面を開くための「URL（Gradioの共有リンク）」がデフォルトでは発行されず、AIの操作画面にたどり着けません。

「このエラーで諦めてしまう人が多いだろうな……」と感じたため、これらのエラーを全自動で回避し、ボタン一つで起動する魔法のコードを作りました！

このnoteを書こうと思った一番の理由は、私と同じように「自分のPCじゃスペック不足で動かない」「Colabを使ってみたけどエラーが出て心が折れた」と困っている方を助けたかったからです。次項から、具体的な手順をステップ・バイ・ステップで解説します。

3. 【実践編】コピペでOK！起動までの全ステップ

それでは、実際にあなたの声のAIを作っていきましょう。

ステップ1：Google Colabの準備

まずはGoogle Colabを開きます。

  1. Googleアカウントにログインした状態で、Google Colaboratory にアクセスします。

  2. 画面が開いたら、「ノートブックを新規作成」をクリックします。

  3. 何も書かれていない真っ白な画面（セル）が表示されます。

ステップ2：GPU（高性能エンジン）をオンにする

AIを動かすための「GPU」という機能をオンにします。

  1. 画面上部のメニューから 「ランタイム」 ＞ 「ランタイムのタイプを変更」 をクリックします。

  2. 「ハードウェア アクセラレータ」という項目を、CPUから 「T4 GPU」 に変更します。

  3. 「保存」をクリックします。（これで強力なエンジンが搭載されました！）

ステップ3：魔法のコードをコピペして実行

画面にある入力欄（セル）に、以下のコードをすべてコピーして貼り付けてください。

# 1. 必要なパッケージ（音声処理用のSoX）のインストール
!apt-get update -qq && apt-get install -y sox libsox-fmt-all > /dev/null

# 2. フォルダを移動し、設定ファイルを一旦綺麗な状態にリセット
%cd /content/Qwen3-TTS-JP
!git restore qwen_tts/cli/demo.py

# 3. 公開リンク（URL）を発行するように、内部のコードを自動書き換え
import re
file_path = '/content/Qwen3-TTS-JP/qwen_tts/cli/demo.py'
with open(file_path, 'r', encoding='utf-8') as f:
    content = f.read()

# launch(**launch_kwargs) を share=True 付きに一撃置換
content = re.sub(r'\.launch\(\*\*launch_kwargs\)', '.launch(server_name="0.0.0.0", server_port=8000, share=True)', content)

with open(file_path, 'w', encoding='utf-8') as f:
    f.write(content)

# 4. 運命のアプリ起動！
!qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-Base --port 8000 --device cuda --dtype float16 --no-flash-attn

貼り付けたら、セルの左側にある「再生ボタン（▶）」をポチッと押します。

ズラーっと文字が流れてインストールが始まりますので、お茶でも飲みながら3〜5分ほどお待ちください。

ステップ4：操作画面を開く

処理が完了すると、一番下に以下のようなリンクが表示されます。

Running on public URL: https://xxxxxxxxxxxx.gradio.live

この https://〜で始まるリンクをクリック すると、別タブでQwen3-TTSの操作画面（Web UI）が開きます！大成功です！

4. 自分の声をクローンして喋らせてみよう

画面が開いたら、早速ボイスクローンを試してみましょう。

  1. 参照音声（クローン元の音声）のアップロード

    1. 画面左上の枠に、自分の声の録音データ（5〜10秒程度でOK）をドラッグ＆ドロップします。ノイズが少なく、ハッキリ喋っているものがベストです。

  2. 参照音声のテキスト（書き起こし）

    1. アップロードした音声で、自分が何を喋っているかを一言一句正確に入力します。（例：「こんにちは、じゃりまめです。本日はよろしくお願いいたします。」）

  3. 合成するテキスト

    1. ここがAIに喋らせたい「新しい原稿」です。スライドの解説文などを入力します。

  4. 生成ボタンをポチッ！

    1. 少し待つと、右側のパネルにあなたの声そっくりな音声が生成されます！ダウンロードボタンを押せば、音声ファイルとして保存できます。

5. 【実用テクニック】教材用の音声を自然に仕上げるコツ

実際に自分の声で教材用の音声を生成してみて、AIが優秀すぎるがゆえの悩みにぶつかりました。私の「早口なところ」までそっくりコピーされてしまったのです（笑）。

聞き取りやすい教材音声にするためには、以下の2つの調整が必須です。

コツ①：「速度」を少し下げる

画面下部にある速度スライダーはデフォルトで「1」になっています。ここを「0.9」や「0.85」に少し下げるだけで、受講者が聞き取りやすい、落ち着いたペースになります。

コツ②：「間」をデザインする

AIは句読点を意識してくれますが、重要なスライドの前など「少しタメを作りたい」時は、原稿に工夫が必要です。

テキストの中に「、、」と読点を重ねたり、「・・・」を入れたりすることで、意図的に一呼吸置く自然なナレーションになります。

💡 おまけ：「ボイスデザイン」機能でプロのナレーターを召喚

実はこのツール、「ボイスデザイン」というタブを開くと、テキストで指示するだけで全く新しい声を生み出すことができます。

例えば、「プロのナレーター」というボタンを押すと、落ち着いたアナウンサーのような声が生成できます。

メインの解説は「自分の声のクローン」で行い、章のタイトルコールだけ「プロのナレーターの声」にするなど、役割分担をすると教材のクオリティが跳ね上がります！

おわりに

作成した短い音声ファイルたちは、「Google Vids」などのツールにスライド画像と一緒にアップロードし、タイミングを合わせるだけで、あっという間に高品質なeラーニング動画が完成します。

「ナレーション録音」という重労働から解放され、教材の「中身」を考えることに時間を使えるようになりました。

同じように動画作成や研修資料作りで悩んでいる方は、ぜひこのnoteのコードをコピペして、自分の声のAI化にチャレンジしてみてください！
こうするとより良くなるよ！などコメント頂けますと幸いです。

よろしくお願いいたします！

いいなと思ったら応援しよう！