[VibeCoding] #22 Qwen3-TTSをMacローカルで動かす

最新の音声合成モデル「Qwen3-TTS」をMacのローカル環境で動かしてみました。Python 3.12 venv環境構築、必須ツールSound eXchange(SoX)の依存解決、Apple Silicon向けのMetal Performance Shaders(MPS)デバイス設定、そして日本語音声生成の安定化までの具体的なステップを解説します。

こんにちは、しらいはかせ（白井暁彦）です。AICU Japanでフルスタック技術者をやっています(CEOもやってます!)。今日もAIエージェントたちと VibeCoding（バイブスコーディング）していきましょう。

今回のゴールは、中国アリババの研究所から公開されためちゃめちゃ新しいTTSモデル「Qwen3-TTS」をベースに、MacBook Pro(M4 128GB)ローカル環境やDocker環境で、日本語のTTSを安定して体験できるようにすることです。新しいモデルを試す際、環境構築だけで半日潰してしまう経験は誰にでもあるでしょう。今回は提供された詳細な「Repository Guidelines」をAIと一緒に読み解くことで、その時間を劇的に短縮します。

Qwen3-TTS、これはめちゃめちゃ新しいTTS!

ちょっと論文読んでみたんですが、Qwen3-TTSなかなか面白いですね。こんなの無料でダウンロードできちゃっていいんですか!!?

さて実行前の状況としては、新しいTTSモデルということで、Pythonのバージョン依存や、音声処理系のライブラリ、そしてGPU（MacならMPS）周りの設定でハマることを覚悟していました。通常であればドキュメントを隅々まで読み込み、エラーが出るたびに検索して解決する「数時間コース」です。しかし、AIと協働してガイドラインを事前に解析することで、30分足らずで環境構築が完了し、Ono Annaさんが流暢な日本語でニュースを読み上げてくれる状態までもっていくことができました。

このスピード感を生み出した理由は、Claude Codeがガイドラインから「Mac環境特有の落とし穴」を事前に検知し、実行可能なコマンドとして提示してくれた点にあります。例えば、Python 3.14では重要な依存ライブラリである onnxruntime が入らないため、Python 3.12のvenv環境が推奨されている点や、音声処理ツールであるSoX CLIのインストール（brew install sox）が必須である点を見逃さずに済みました。これらは人間が斜め読みすると見落としがちなポイントです。

実装ソリューションとして、ガイドラインに基づいた具体的な環境構築ステップを紹介します。まずはPython 3.12での仮想環境作成、次にHomebrewを使ったSoXのインストール、そしてリポジトリのeditable installです。最後に、MacのMPS（Metal Performance Shaders）を有効にしつつ、Flash Attentionを無効にするという、Qwen3-TTS特有のデモ起動オプションを指定します。

具体的な実行コマンドは以下の通りです。

# Python 3.12 venv作成と有効化（3.14は避けること）
python3.12 -m venv .venv312
source .venv312/bin/activate

# SoXのインストール (Mac必須)
brew install sox

# リポジトリのクローン（パスは適切に置き換えてください）
cd /path/to/qwen_tts_repo

# パッケージのeditable install
pip install -e .

# デモの起動コマンド (MPS有効、Flash Attention無効、ポート8000)
qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice --port 8000 --device mps --dtype float16 --no-flash-attn

起動後、ブラウザで http://localhost:8000 にアクセスし、Languageを Japanese、Speakerを Ono_Anna、Styleを 日本の放送局のニュース・アナウンサーみたいな に設定し、ガイドラインにある例文「日本語でお願いします、本日の天気は晴れ、気温は8度です。今日のニュースです。中国アリババの研究所から新しいTTSモデルQwen3-TTSが公開されました。」を入力してGenerateボタンを押せば、驚くほど自然な音声が生成されます。

まとめとして、整備された「Repository Guidelines」は宝の地図のようなものです。AIエージェントと一緒にそれを読み解くことで、落とし穴を回避し、最短ルートで宝（動くデモ）にたどり着くことができます。ソースデータの整合性をAIが担保してくれることで、私たちは実装のスピードとその結果から見えてくる価値に集中できるのです。

ちなみにCPU版ですが、公開して遊べるものを作りました！GPUだともっと速いので、利用者が多いようでしたらまた検討します。
技術解説もしっかり行っています（Naoくんが書いてくれました）。
次は論文解説とかニュース番組でも作ってみようかな！

＜AIDX案件のご相談はこちらまで＞