Qwen3-TTS で声を作ってみた話 🎤✨

こんにちは！気球人です🎈
マスターたち、今日もAI娘に歌ってもらったり踊ってもらったりしてますか？

さて、うちのAI館のキャラクターたちにはずっと VOICEVOX で声を付けていたんですが、やっぱどっかで聞いた声になっちゃうので、ちょっと別のものを試してみたいと思っていました。
Google TTS なんかもすごく優秀なんですが、いかんせん有料（まあ安いですけどね）。

そんなところに人から Qwen3-TTS がいいよ！って教えてもらいました。
えー、中華AIでしょ、日本語どうなんだろう……って試してみたら

……ええやん😲

みたいな、そんな体験をしたので note を書いてみました🤣

Qwen3-TTSってなんすか？ 🤔

Alibaba Cloud の Qwenチームが 2026年1月 にリリースしたピカピカ新品のオープンソースのTTS（音声合成）モデルです。
Apache 2.0 ライセンスで、商用融通も効く。
何がすごいか👇️

• 自然言語で「こういう声にして」と指示できる（VoiceDesign）

• 10言語対応（日本語・中国語・英語・韓国語……）

• モデルサイズが0.6Bと1.7B ── 家庭用GPUで余裕で動く

そして……

3秒の音声サンプルがあれば、誰の声でもクローンできる 💥

つまり、

「声の特徴を言葉で説明するだけで、オリジナルの声が生成できる」
「なんならオレの声を使って生成できる」（誰得！）

しかもローカルで完全無料😲😲😲

ともかくインストール 🔧

CUDA環境（Linux + NVIDIA GPU） 👈️ 50系難あり

この前 Linux Mint 化した RTX 5060 Ti 16GB 搭載マシンで試しました。

pip install -U qwen-tts

これだけ。……と言いたいところですが、実は RTX 5060 Ti は Blackwell世代（SM 120）なので、PyTorchは cu130必須。
cu126だと「no kernel image」エラーで死にます。
あと sox も要る。
この辺のハマりポイントは stable-diffusion と同じ😂

MLX環境（Mac + Apple Silicon） 👈️ 簡単！オススメ

もう一台、M4 Max 128GB のMac Studioでも動かしてみました。

pip install -U mlx-audio

こっちは mlx-audio というApple MLXフレームワーク用のライブラリがあって、ワンライナーで生成できる。

しかも 爆速 🏎️💨

5060Ti の半分ぐらいの時間で生成が終わる。
統合メモリの暴力ですね。

AI娘の声をデザインする 👩

Qwen3-TTS には3つのモデルがあります：

• CustomVoice ── 9種類のプリセット声＋instructで微調整

• VoiceDesign ── 自然言語で声そのものを設計

• Base ── 3秒の音声サンプルからクローン

発見①：中国語で声を作って、日本語にクローンする

VoiceDesignでキャラの声を作るとき、日本語で直接作るとイントネーションが崩れることがあります。
でも中国語で作ると安定する🤔

まあ、Alibaba製だしな……

んじゃ、中国語で声だけ作って、その声をBaseモデルでクローンして日本語を喋らせてみては？

これが、大正解😆
声質はVoiceDesignの自由度で、イントネーションはBaseモデルの日本語処理に任せる作戦なのでした。

発見②：落ち着いた声は中国語クローンだと「中国人っぽい日本語」になる

元気で高い声は中国語の癖が目立たないんですが、落ち着いたトーンの声は中国語っぽい声調が残りやすい。
この場合は CustomVoiceのプリセット＋instruct で調整した方が自然なようです。

発見③：instructは盛りすぎない

VoiceDesign の instruct に「鼻にかかった声」と書いたら、ぐずぐずな声になりました😂
まあこういうのは削除の一手ですね。
Stable Diffusion のプロンプトと同じ。
狙いすぎず、偶然に任せる程度で丁度いい。

発見④：毎回違う声が出る（ガチャ）

よく考えたら当たり前なのですが、LLM ベースの TTS なので、同じテキスト・同じ設定でも毎回微妙に違う音声が生成されます。
VOICEVOX に慣れているとちょっと違和感がありますね。
まあ、Stable Diffusion で seed違いのガチャを回すのと同じ感覚で、3回ぐらい生成して一番いいのを採用するのが実用的です。
--temperature を下げると安定するのですが、表現力は落ちます。
でもストリーミングだと下げたほうがいいのかも🤔

誰得キャスティング結果発表 🦊💜🔮🌌🎬

運用を考える 🏗️

実際にAI館のサービスに組み込むことを考えると：

• M4 Max 👉️ 定型セリフの大量バッチ生成（速い・気軽）

• Linux GPU機 👉️ 本番API（FastAPI + systemd、24/7安定運用）、新キャラの声作り工房（VoiceDesign調整）

みたいな運用でしょうか。
事前に生成→選別→キャッシュしておいて、APIはキャッシュ済みwavを返すとか……
ストリーミングは temperature を下げて運用するか？🤔

まとめ 📝

Qwen3-TTS はものすごく手軽にキャラに声を付けることができるツールです。
しかも無料✨️

• 中国語で声を作って日本語にクローンするなどの分離作戦

• 声質によって CustomVoice / VoiceDesign→Clone を使い分ける

• instruct は盛りすぎない（間引く、簡単にする）

• 表記を工夫する（「にーに」👉️「にぃに」）

• SD 的ガチャ運用で品質を担保

次はストリーミングに挑戦ですね！
レイテンシがどうか？見てみたいと思います😁

ヴェリのひとこと 🌙