Qwen3-TTS練習中

こんにちは、AI初心者の中国語教師、エビ先生です。一般的には、Qwen3-TTSは声をクローンできるのが最大のポイントだと思いますが、私としては中国語の文章を読み上げさせて、その音声ファイルを保存できるのが一番の魅力です。

私の場合は特に誰かの声をクローンしたいと思わないのですが、好きな俳優さんや声優さんの声で自分専用の音声教材が作れたら、学習のモチベーションが向上するかもしれませんね。（あくまで個人利用の範囲です。）

とりあえず、プリセットされた声で中国語の文章（500字程度）の読み上げ音声を生成しようとしたのですが、5分待っても、10分待っても作業が完了しません。画面をよく見ると、次のように書いてありました。

Geminiによる日本語訳：
カスタムボイス（Custom Voice）では、プリセットされたVoiceを使用します。最大2048トークンまで入力可能ですが、推奨は300〜500文字です。より長いテキストの場合は、ボイスクローン（Voice Clone）をご利用ください。

プリセットよりクローンの方がより長文に対応できるというのは何だか意外な気がしますが、結論から言いますと、私の環境では、Custom VoiceでもVoice Cloneでも、200文字程度に抑えた方が、さくさく生成してくれました。文字数と生成時間に完全な相関関係を見つけることはできませんでしたが、200文字程度なら3分くらいで生成してくれます。5分待っても生成されない場合は、たぶんそれ以上待っても無駄かもしれません。

そのようなわけで、例えば500文字の文章の読み上げ音声を生成させたければ、3回分に分けて生成して、音声編集ソフトで繋げた方がストレスがたまらないと感じました。

ストレスといえば、最後の部分が生成しきれずに欠損してしまうことがたまに起きます。日本語で再現すると、「ありがとうございました」が「ありがとうございま」で切れてしまう感じです。どうせ後で編集するので、文末にダミーデータを入れた方が良さそうです。3分待たされて切れていたら、結構ストレスになります。

あと、読み上げの最初と最後に、例えば0.5秒の無音部分を入れて生成する機能があるのかどうか分かりません。この機能がないということはちょっとあり得ないので、私が見つけられていないだけであると思いたいです。今は生成後に編集ソフトで無音を追加しています。

この辺りの使い勝手についていえば、minimaxの音声生成の方が使いやすいです。

minimaxはローカルではなくクラウドなので、使い放題ではありませんし、句点で止まってくれないので、<#0.3#>のような記号を打ち込む必要があります。

minimaxは何度生成しても全く同じ声で読み上げてくれます。Qwen3-TTSはプリセットのVoiceを選んでも、生成するごとに声が変化してしまいます。ですので、500文字の文章を3回に分けて生成した場合、微妙に異なってしまう場合があります。（2026/4/18追記：Seed値を指定することで声が異なる現象を回避できます。）

これはGoogle AI Studioでも同じでした。

Qwen3-TTSは1回の生成の中でも、最初の方と最後の方で声が若干変化してしまうこともあります。読み上げ速度も、「ゆっくり」と指定したのに、終わりの方は結構早口になることもありました。生身の人間でもよくある現象ですね。

まだ3000字程度しか読み上げさせていませんが、多音字（破音字）を読み間違えたことは今のところなく、この辺りはかなり優秀です。仮に読み間違えたら、その部分だけ生成し直して、音声編集ソフトで貼り付ければ良いはずですが、先ほど書いた通り、生成し直すと、プリセットのVoiceでも別人になってしまう場合があるので、全体を生成し直すのが現実的だと思います。せっかく、高音質のwav形式で保存できるのに、残念です。このまま読み間違えないことを祈ります。

もうしばらくQwen3-TTSの使い方を練習したいと思いますが、最終的にはたぶん私の作った読み上げツールを使うことになると思います。多音字（破音字）を読み間違う可能性がQwen3-TTSより高いので、録音前に一度全体を聞いて確認する必要はありますが、無駄に感情を込めたりせず、淡々と読み上げてくれるのが私の用途に適しています。Qwen3-TTSは文脈よりも単語に反応して、無駄に「ため」を作ったりするんですよね。「そこはためるところじゃないよ！」と突っ込みたくなることがあります。

そのようなわけで、ダイアローグではなく、硬めの文章の読み上げなら、私の読み上げツールが最高という話でした。