自分のパソコンで音声を作る：ローカルTTSガイド

聞き手と納品物から考えます。「韓国語の講義原稿を一定の声で読み、WAVで保存」のように書けば、言語、形式、話し方を整理できます。短い案内と長い原稿では必要な機能も異なります。長文なら分割・結合の方法や、一部だけ作り直せるかも確認します。

声の再現が必要か、付属話者で足りるかも決めます。通常の読み上げなら、まず参照音声を使わない方法から始められます。声を似せる機能では、自分の録音か、明確に許諾された音声だけを使ってください。最初の比較では、モデル付属の話者から聴いてみましょう。

Qwen3-TTS²は10言語、Kokoroのカードは8言語、Chatterbox Multilingual V3は23以上の言語を案内しています。この数は対応範囲を示すもので、訛り、人名、数字の読み方まで同等の品質を保証しません。Kokoroの公式音声ノートも、英語以外の学習や発音対応には差があり得ると注意しています。

短い試験文には、よく使う地名、製品名、日付を入れます。読み違いがあれば、原文を残したうえで句読点や表記を変えた版も試します。聞き取りやすさ、読みの正確さ、声の好みを別々に記録すれば、対応言語の表示だけでモデルを決めずに済みます。

英語・日本語・中国語などKokoroの対応言語での一般的な読み上げなら、82MのKokoroから試せます。ただし公式一覧に韓国語はありません。韓国語なら話者Soheeを使えるQwen3-TTS CustomVoice、参照音声を使う多言語用途ならChatterbox Multilingual V3を候補にします。QwenのVoiceDesignは1.7B版のみです。

最初は声を複製せず、付属話者で同じ文章を読み比べると条件を揃えやすくなります。候補が決まったら、長文や複数ファイルなど本番に近い作業へ進みます。短い試験で合わない音色や発音を早めに除外できます。

Windows・LinuxのNVIDIA GPU³では、チェックポイント⁴が示すCUDA⁵と精度の条件を確認します。Qwen3-TTSの公式Python手順はPython 3.12で、CUDA例はBF16⁶と任意のFlashAttention⁷ 2を示します。これはCUDAの実行例であり、全GPUの速度表ではありません。FlashAttention導入前に互換性を確認してください。

Apple SiliconではKokoro公式PyTorch⁸経路にMPS fallbackの案内があります。別のMLX⁹実行環境を使う場合、MLX-Audioは変換版のKokoro・Qwen3-TTS・Chatterboxを案内しています。

upstreamの重み・実行環境そのものではなくcommunity MLX配布版なので、実行環境と変換済みチェックポイントを確認してください。下は付属の韓国語話者を使うMLX-Audio CLI¹⁰の記載形式です。

重みを取得する前に、公式文書でPythonの版、パッケージ、チェックポイント名を確認します。Qwen3-TTSのデモはIP指定を受け取るので、ローカルUIでは公開インターフェースではなく127.0.0.1だけにバインドします。KokoroとChatterboxはPythonライブラリの例があり、ポートを外部公開せずにスクリプトで試せます。

動いたら短い文章を一つ生成し、再生します。言語、話者、形式、保存先を一つずつ変えると原因を特定しやすくなります。途中で切れる場合は、長文にする前にトークン上限、分割、サンプルレート、実ファイルの長さを確認します。一度再生できても長時間の安定性が証明されるわけではありません。

同じ文章と話者で、モデル読み込み、ウォーム状態の合成、ファイル保存完了を別々に記録します。音声の実長からRTF¹¹（経過時間÷実音声長）を計算し、逆数のリアルタイム倍率と混同しません。最初の音声までの時間は別欄にします。ナレーションでは全体完了時間、対話ではTTFAが重要な場合があります。

同じ言語での読みの正確さ、聞きやすさ、話し方の適合性も別々に記録します。一つの数字で「最高の声」を決めるより、自分の原稿の修正回数や納品形式との相性を見ます。Qwen READMEの97msはストリーミング最初のパケットの主張で、原稿全体の完了時間ではありません。当サイトでこれらのモデルを実測したわけではありません。