YouTube動画からボイスクローン：Qwen3-TTS WebUIの使い方

「あの声で読み上げてほしい」を自分のMacで

ボイスクローンという技術を耳にしたことがある方は多いと思います。一方で、実際に試そうとすると、論文やGitHubのREADMEと格闘し、環境構築で半日費やし、結局動かなかった——そんな経験をした方も少なくないのではないでしょうか。

私も同じ経験を何度もしてきました。だからこそ、今回紹介する「Qwen3-TTS Voice Clone WebUI」というツールを取り上げたいと思います。

これはAlibaba Cloudが公開したQwen3-TTSモデルをベースに、ブラウザ上の画面操作だけでボイスクローンを完結できるWebアプリケーションです。YouTube動画のURL、マイク録音、手持ちの音声ファイル——3つのどれかから音声を取り込むだけで、その声で任意のテキストを読み上げさせることができます。

ざっくりとした使い方解説動画

下記では、git cloneから音声生成までの手順を、そのまま追えるように書きました。

始める前に確認しておくこと

このツールはApple Silicon搭載のMacに最適化されています。対応環境は以下のとおりです。

• Apple Silicon Mac（M1以降、ユニファイドメモリ16GB以上推奨）

• macOS 15以降

• Python 3.11

GPUにNVIDIA製のものを使っているWindows/Linux環境では、設定の変更が必要になります。今回の記事ではMac環境を前提に進めます。

セットアップ——コマンド4ステップで完了する