【ComfyUI】日本語も自然に話せる「Qwen3-TTS」を試す
アリババが開発したQwen3-TTSは、日本語を含む複数の言語に対応したテキストから音声を生成するAIモデルです。
これまで「日本語ならGoogle TTSが一番」と思っていましたが、Qwen3-TTSはそれに迫るレベル。しかも、これがローカル環境で動くというのは驚きです。
3つの強力な生成モード
Qwen3-TTSには、用途に合わせた3つのモデルがあります。
CustomVoice: プリセット話者。日本語話者の「Ono_Anna」が優秀。
VoiceDesign: プロンプトで「性別や声質」をゼロから生み出すモード。
VoiceClone: わずかな音声ファイルから「声のコピー」を作成。
Tips: どのモデルもシード値によって良くも悪くも印象がガラッと変わるため、「最高の声を引くためのガチャ」は必須です。
ComfyUIでの導入と注意点
現在、ComfyUI Managerで探すといくつかQwen-TTS用のノードがありますが、私が試した中では flybirdxx氏の「ComfyUI-Qwen-TTS」 が最も安定していました。
⚠️ インストール時の注意
現時点では、Managerから検索してインストールしようとすると「セキュリティレベル」の問題で弾かれます。ここ数日で公開されたノードなので仕方ありません。GitHubから直接 custom_nodes フォルダへ git clone して手動インストールしてください。
モデルファイルは実行時に自動でダウンロードされます。1.7bモデル一つあたり4GB程度の容量を消費します。
使い方は基本的にテキストの入力と音声の出力だけなので簡単です。SpeakerをOno_Anna以外の話者にすると少し日本語が怪しくなります。
VoiceCloneノードは初期設定のmodel_choiceが0.6Bだと品質が落ちるので1.7Bを推奨。注意するポイントとして、参照する音声テキストを入力しないとエラーになります。(x_vector_onlyをtrueへ変えれば通るが精度は落ちる) 上の図ではWhisperを使って入力音声のテキストを自動生成しています。
生成された音声サンプル
CustomVoiceのOno_Annaの音声
VoiceDesignの男性と女性の音声
VoiceCloneの音声サンプル
VoiceCloneは元音声の特徴を驚くほど捉えています。自分の声を学習させれば、YouTubeの解説動画なんかにも即戦力で使えそうです。
まとめ
日本語をここまで自然に、かつローカルで自由に生成できるモデルは貴重です。 「AIに喋らせると、どうしても機械っぽくなる……」と悩んでいた方は、ぜひ試してみてください。
