Qwen3-TTS

現在のTomoriBotのオプションの中で最大かつ最も正確なTTSである、両方のQwen3-TTS 12Hz 1.7Bモードには、servers/tts/qwen3tts/server.pyを使用します。デフォルトではオートモードで起動し、各リクエストの形状からBaseのボイスクローンモデルまたはVoiceDesignモデルを選択します。

セットアップ

TomoriBotの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を使用する場合

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/macOS Bashを使用する場合

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

オートモードのデフォルトのエンドポイントURLはhttp://127.0.0.1:8012です。オート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

オートモードは、各/synthesizeリクエストを検査します。ref_audioを含むリクエストはクローンモデルを使用し、instructを含むリクエストはVoiceDesignモデルを使用します。一度に1つのモデルのみを読み込み、リクエストタイプが変更されるとモデルを入れ替えるため、入れ替え後の最初のリクエストは遅くなる場合があります。

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ボイスクローンとVoiceDesignの両方のペルソナをサポートできるように、オートモードサーバーを登録します。

/provider custom-endpoint addを実行します。

capability: speech
api_style: tts-clone
endpoint_url: http://127.0.0.1:8012

モーダルで以下を設定します。

Voice Source Mode: Auto
Script Markup Style: Plain

登録すると、エンドポイントはすぐに有効になります。今後、speechエンドポイントを切り替える場合にのみ/model speechを使用します。

ペルソナ音声のセットアップ

ボイスクローニング

参照クリップを模倣する必要があるペルソナには、これを使用します。

背景音楽のない、1人の話者による10〜20秒のクリアな音声クリップを準備します。
/speech voice-addを実行してクリップをアップロードします。
/speech voice-assignを実行し、ペルソナと音声サンプルを選択します。

VoiceDesign

サンプルの代わりに書かれた音声の説明を使用する必要があるペルソナには、これを使用します。

/speech voice-design setを実行します。
ペルソナを選択します。
話者の年齢、トーン、アクセント、話し方など、自然言語の音声プロンプトを入力します。

ペルソナのVoiceDesignプロンプトを削除するには、/speech voice-design removeを使用します。生成中、TomoriBotは保存されたプロンプトを/synthesizeのJSON本文にinstructとして送信します。ツールからの1回限りのvoice_instructionsは末尾に追加されます。

オートモードは両方のセットアップを保持します。/speech voice-assignで設定されたペルソナはクローン合成を使用し、/speech voice-design setで設定されたペルソナはVoiceDesign合成を使用します。

(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、VoiceDesignモードで同じサーバーを起動します。

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。

オートモードと同じ方法で登録しますが、エンドポイントURLにhttp://127.0.0.1:8014を使用し、音声ソースモード（voice source mode）としてVoiceDesignを選択します。