Qwen3-TTS

免責事項

このページは生成AIによって作成された下書きです。内容は確認済みですが、正確な情報はソースコードもあわせてご確認ください。

Qwen3-TTS を使用して、音声クローンモードとテキスト指定のVoiceDesignモードの両方で高精度な多言語キャラクター音声を合成します。

Qwen3-TTS 12Hz 1.7Bは、高精度なローカル音声合成を提供します。servers/tts/qwen3tts/server.py をデフォルトの自動モードで実行すると、各受信リクエストに基づいてBase音声クローンモデルまたはVoiceDesignモデルが動的に選択されます。

セットアップ

TomoriBotリポジトリのルート（TomoriBotをクローンしたフォルダー）から以下のコマンドを実行します：

Windows PowerShell

python -m venv servers\tts\qwen3tts\.venv
servers\tts\qwen3tts\.venv\Scripts\Activate.ps1
python -m pip install --upgrade pip
pip install -r servers\tts\qwen3tts\requirements.txt
python servers\tts\qwen3tts\server.py

LinuxおよびmacOS Bash

python3 -m venv servers/tts/qwen3tts/.venv
source servers/tts/qwen3tts/.venv/bin/activate
python -m pip install --upgrade pip
python -m pip install -r servers/tts/qwen3tts/requirements.txt
python servers/tts/qwen3tts/server.py

デフォルトの自動モードのエンドポイントURLは http://127.0.0.1:8012 です。別のポートを使用する場合は QWEN3TTS_PORT を設定します。自動モードを明示的に指定することもできます：

python servers\tts\qwen3tts\server.py --mode auto

自動モードは各 /synthesize リクエストを検査します。ref_audio を持つリクエストはクローンモデルを使用し、instruct を持つリクエストはVoiceDesignモデルを使用します。一度にロードされるモデルは1つだけであり、リクエストの種類が変わるとモデルが入れ替えられるため、入れ替え後の最初のリクエストは遅くなる可能性があります。

オプション：高速なCUDAバックエンド

NVIDIA GPUでは、サーバーを起動する前に QWEN3TTS_BACKEND=cuda-graphs を設定することで、requirementsで既にインストールされている faster-qwen3-tts を使用できます。合成は約6倍高速になり、実時間の約2倍遅かった状態からリアルタイムよりも速く動作するようになります。同一の入力に対する出力は、デフォルトのバックエンドとビット単位で一致しません。

このバックエンドは、リクエストごとに一定量の音声領域を確保し、参照クリップと生成された音声の間で共有します（合計約170秒）。10〜20秒のクリップを使用した場合、2分を優に超える音声の余裕が残ります。リクエストが収まらない場合、サーバーは音声を途中で切り詰めるのではなくエラーを返します。より短いクリップやテキストを使用するか、デフォルトの transformers バックエンドを使用してください。

$env:QWEN3TTS_BACKEND = "cuda-graphs"
python servers\tts\qwen3tts\server.py

TomoriBotへの登録

ほとんどのユーザーは、1つのエンドポイントで音声クローンとVoiceDesignの両方のペルソナをサポートできるように、自動モードサーバーを登録します。

/providers を実行し、+ 新しいカスタムエンドポイントを追加 を選択して、音声用のAPI互換性を使用します：

• API互換性：tts-clone
• endpoint_url：http://127.0.0.1:8012

接続を保存したら、それを選択し、モデルのドロップダウンを使用して音声モデルを追加します。モデルフォームで「音声ソースモード」と「スクリプトマークアップ形式」が求められるので、自動モードサーバーの場合は「自動」と「プレーン」を選択します。

エンドポイントの登録とモデルのセットアップには /providers を使用します。続いて /config > モデル > モデルの切り替え を開き、登録したエンドポイントを選択して有効化してください。

ペルソナ音声のセットアップ

音声クローン

参照クリップを模倣するペルソナにこれを使用します：

1. 単一話者でBGMのない、きれいな10〜20秒の音声クリップを準備します。
2. /config の モデル > TTSパラメーターと音声 を開き、クリップをアップロードします。
3. /config の ペルソナ > 音声 を開き、ペルソナと音声サンプルを選択します。

Qwen3-TTSは、わずか3秒の短い参照クリップをサポートしています。

VoiceDesign

サンプルの代わりに書かれた音声の説明を使用するペルソナにこれを使用します：

1. /config の ペルソナ > 音声 を開き、VoiceDesignを選択します。
2. ペルソナを選択します。
3. 話者の年齢、口調、アクセント、話し方などの自然言語による音声プロンプトを入力します。

オプション：VoiceDesign専用サーバー

Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign を提供する場合は、同じサーバーをVoiceDesignモードで起動します。

Windows PowerShell：

servers\tts\qwen3tts\.venv\Scripts\Activate.ps1
$env:TOMORI_TTS_MODE = "voice-design"
python servers\tts\qwen3tts\server.py

Bash：

source servers/tts/qwen3tts/.venv/bin/activate
TOMORI_TTS_MODE=voice-design python servers/tts/qwen3tts/server.py

TOMORI_TTS_MODE を設定する代わりに、--mode voice-design を渡すこともできます。デフォルトのVoiceDesign専用エンドポイントURLは http://127.0.0.1:8014 です。

自動モードと同じ方法で登録しますが、エンドポイントURLには http://127.0.0.1:8014 を使用し、音声モデルの音声ソースモードとして ボイスデザイン を選択します。