Qwen3-TTSをローカルで使う：プリセット音声から声の設計まで

公式の公開一覧ではCustomVoiceとBaseは0.6B・1.7B、VoiceDesignは1.7Bのみです。CustomVoiceは付属話者を選び、VoiceDesignは自然言語で声の特徴を指定し、Baseは参照音声で話者を合わせます。韓国語原稿では、公式話者一覧にある韓国語話者Soheeを選べます。

Base例にある短い参照音声は入力条件であり、出力品質の保証ではありません。他人の声を使う際は明確な許諾を得てください。最初は付属話者で試し、参照音声機能は自分の録音か許諾を得た素材だけに使います。

公式一覧には韓国語を含む10言語が記載されています。韓国語が必要ならQwen3-TTS¹ CustomVoice・Base、または韓国語を掲げるChatterbox Multilingual V3を試します。Kokoroの公式言語一覧には韓国語がないため、韓国語読み上げ用には選ばないでください。対応表記と自分の文章での発音品質は別です。

言語一覧だけでは小さい版と大きい版のどちらが適するか決められません。自分の文章と話者設定で発音、間、修正回数を比べます。一度読み込めることと、長い原稿を安定して作れることも別の条件です。

公式クイックスタートは隔離したPython 3.12環境で`pip install -U qwen-tts`を実行します。ソースを変更しないなら、編集可能なソース導入ではなくパッケージから始められます。依存関係、重みの取得、初回ロードは待ち時間になるため、合成時間とは分けて記録します。

CUDA²例は`device_map="cuda:0"`、`dtype=torch.bfloat16<sup>3</sup>`、任意の`attn_implementation="flash_attention_2"`を使います。READMEはFlashAttention⁴ 2に対応機材と精度が必要と記載しているため、無条件に有効化しません。これはNVIDIA経路の例であり、RTX各機種の時間や最低メモリの保証ではありません。

Apple SiliconでQwen3-TTSを試す場合は、別のMLX⁵実行環境であるMLX-Audioを通じてコミュニティ変換版を利用できます。0.6B・1.7B CustomVoiceの変換チェックポイント⁶が案内されていますが、Qwen upstreamの重みや公式CUDA実行環境とは別の配布経路です。導入前に配布元、変換時期、話者やオプションを確認し、公式Python・CUDAクイックスタートとは区別してください。

Macを購入するか決める前に、手元のApple SiliconでMLX-AudioのQwen変換版、またはKokoro・Chatterboxの案内された経路を試してください。導入と合成が動くか、変換版に必要な韓国語話者や機能が含まれるかも確認します。概要ガイドのMLX-Audio例は0.6B CustomVoiceで短く試す手順です。

READMEの97msは、一文字入力後に最初の音声パケットを出せるという低遅延の説明に添えられています。機材、文章長、バッチ、精度、反復回数、計測範囲は併記されていません。ストリーミングの初回応答に関する主張として読み、文全体や長文の完了速度に置き換えません。

自分で測る場合は、最初の音声と最終チャンクの到着時刻を別々に記録します。必要ならモデルロード、前処理、生成、デコード⁷、WAV保存も分けます。ウォーム状態のリクエストはコールドスタートと別欄にし、同じ文章・話者・設定を複数回試します。

参照音声は自分の声、または明示的な許諾を得た録音だけを使います。許諾があっても、生成音声が本人の実際の発言や推薦と誤解されないよう文脈を示す必要がある場合があります。参照音声を公開サーバーへアップロードせず、まず付属話者をローカルで試してください。

リポジトリのApache-2.0表記はコードのライセンスです。取得するチェックポイントのカードも確認し、録音・文章・配布の権利は別途検討します。モデルのライセンスが入力音声や生成音声の権利問題をすべて解決するわけではありません。