Qwen3-TTSで亡き義母の留守電メッセージをボイスクローン

2026年1月22日、Alibaba の Qwenチームから、商用利用可能なオープンソースのテキスト読み上げ（TTS）モデル Qwen3-TTS が公開されました。

Qwen3-TTS では、日本語を含む10言語に対応し、感情表現や多様な声色の生成ができ、また、3秒程度の音声サンプルからクローン（ボイスクローン）が可能となっています。

以前から、RVC や AivisSpeech よって自分の声の音声モデルを構築し、私の「声」で喋り、私と同じ「顔・体」を持つ AIアバターチャットボット「AIしげちゃん」を作っていたこともあり、試してみることにしました。

Qwen3-TTSのセットアップ

以下のように、GitHub から Qwen3-TTS のプログラムを取得し、ローカルPC環境にセットアップします。上記の公式ドキュメントでは conda を利用していますが、ここでは venv を使用しました。　

cd （Qwen3-TTSの配置フォルダ）
git clone https://github.com/QwenLM/Qwen3-TTS.git
cd Qwen3-TTS
python -m venv .venv
python -m pip install -U pip
.venv\Scripts\Activate.bat
pip install -e .
pip uninstall torch torchvision torchaudio -y
# CUDA 12.x の場合
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu128
python.exe -m pip install --upgrade pip
qwen-tts-demo Qwen/Qwen3-TTS-12Hz-1.7B-Base --ip 127.0.0.1 --port 8000 --no-flash-attn

Qwen3-TTS の準備ができると、「* Running on local URL: http://127.0.0.1:8000」と表示されるので、Webブラウザで「http://127.0.0.1:8000」にアクセスします。

以前、RVC用に録音した15秒程度の音声データを 参照元の音声（Reference Audio）として、「吾輩は猫である」の冒頭を読み上げさせてみました。

さすがに、100文の音声コーパスでトレーニングした AivisSpeech 用の音声モデルよりは劣るものの、参照元の音声とよく似た声で喋ってくれます。

義母の声をボイスクローン

ところで、我が家には捨てられない FAX付き電話機があります。6年前に亡くなった義母の留守番電話のメッセージが保存されていて、妻が捨てられずに大事に保管しています。

Qwen3-TTSは 3秒程度の音声サンプルからクローンが可能なので、この留守番電話に残された音声によって、義母のボイスクローンを生成してみることにしました。

この電話機には外部音声出力端子がないので、この際、留守番電話のメッセージをすべてスピーカーから再生し、スマホのレコーダーアプリで録音しました。

こうして録音した音声データを参照し、生成した義母のボイスクローンです。留守番電話特有の音質やノイズがそのまま再現されていますが、それはそれで、義母から電話がかかってきたみたいです。

これで、この電話機もようやく捨てられそうです。とは言え、結局、妻は捨てないかも知れませんがw