Qwen3-TTS 0.6B Base(音声モデル)
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base概要
Qwen3-TTS 0.6B Base:短い参照クリップ(3秒以上)の声をクローンする音声合成モデルで、10言語に対応し、24 kHzでキャラクターのセリフやナレーションに向きます。小さいほうのクローンモデルで、約4 GBのGPU(推定)向けです。audio.cppでローカルに動作します。Apache-2.0で、商用利用が可能です。
Qwen3-TTS 0.6B Baseは、Alibaba CloudのQwen3-TTSファミリーのうち小さいほうのボイスクローニングモデルです。短い参照クリップ(3秒以上)の声で任意のテキストを10言語で読み上げ、小規模なGPUにも収まります。AI Game Devアプリではローカル音声生成(aigd.audiocpp、audio.cppランタイム)を通じてローカルで動作するため、セリフ1行ごとのコストはかかりません。自分の声、または同意を得た俳優の声でキャラクターに喋らせたいゲーム開発者に適しており、約4 GBのメモリを搭載したGPU(推定)で動作し、商用利用を認めるApache-2.0に基づきます。
作成できるもの
- 一度録音した声によるNPCのセリフとナレーション。
- 試作段階で、最終収録の前に自分の声で入れる仮のボイス。
- ローカライズ版向けに、同じキャラクターの声を最大10言語で。
- チュートリアルのナレーション、アナウンス、無線のやり取り。
リクエスト例
- 「
voice/me.wavの自分の録音を使って、dialogue/tutorial.txtでチュートリアルのセリフを読み上げて」 - 「
voice/captain.wavの声をクローンして、『持ちこたえろ!増援が向かっている!』と言って」 - 「
voice/shopkeeper.wavを使って、店主に『おかえりなさい、旅人さん』と英語、ドイツ語、日本語で言わせて」
主な特長
| 項目 | 値 |
|---|---|
| 声 | 3〜30秒のWAVクリップからクローン、書き起こしは任意 |
| 言語 | 中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語 |
| 出力 | 24 kHzモノラルWAV、プロジェクト内に保存 |
| 1リクエストあたりのテキスト | 最大600文字(英語音声で約40秒)、それより長いテキストは順序付きのセグメントに分割 |
| 再現性 | シードを指定すると同じ結果が再現されます |
- ボイスクローン:WAVクリップ(1人が明瞭に話す3〜30秒)をクローンする声として追加します。正確な書き起こしは任意ですが、入れると最も近い声になります。ない場合、モデルは話者の声質だけからクローンします(
x_vector_only_mode)。このモデル自体には声がないため、どのリクエストにもクリップが必要です。 - 感情の指示には対応していません。感情を指定したい場合はCustomVoiceまたはVoiceDesignを使ってください(下記参照)。
テキストの言語はモデル自身が検出します。言語設定は参考情報です。
このパッケージはデータのみで、モデルファイルを指定するものです。アプリは確認後にダウンロードし、sha256で検証して、お使いのコンピューター上でaudio.cppにより実行します。
どのQwen3-TTSパッケージを選ぶか
4つはすべて同じランタイムで動作し、同じ10言語を話し、24 kHzモノラルWAVを出力します。違いは声の選び方です。
| パッケージ | 声の取得元 | 感情の指示 | ダウンロード | GPUメモリ(推定) |
|---|---|---|---|---|
| Qwen3-TTS 0.6B Base | 参照クリップ(クローン) | なし | 1.99 GB | 約4 GB |
| Qwen3-TTS 1.7B Base | 参照クリップ(クローン) | なし | 2.70 GB | 約6 GB |
| Qwen3-TTS 1.7B CustomVoice | 9つの内蔵ボイス | yes | 2.82 GB | 約6 GB |
| Qwen3-TTS 1.7B VoiceDesign | 声のテキスト記述 | あり(記述内で指定) | 2.82 GB | 約6 GB |
- 実在の声(自分の声、または同意を得た俳優の声)をクローンする:0.6B Baseは小規模なGPU向け、1.7B BaseはGPUメモリが約6 GBある場合に。
- 既製の声を使って感情を操作する:1.7B CustomVoice。
- 言葉だけから新しいキャラクターの声を作る:1.7B VoiceDesign。
ダウンロード
1.99 GB、1ファイル、Hugging Faceのコミットに固定:
| ファイル | 取得元 | サイズ |
|---|---|---|
qwen3-tts-12hz-0.6b-base-q8_0.gguf(talker、話者エンコーダー、12 Hz音声コーデックを1ファイルに格納) | audio-cpp/audio.cpp-gguf @ b7b9aa1f | 1.99 GB |
対応コンピューター
| コンピューター | 必要なもの | 速度 |
|---|---|---|
| NVIDIA GPU(CUDA)またはその他のGPU(Vulkan) | GPUメモリ約4 GB(推定) | 未計測 |
| Appleシリコン搭載Mac(Metal) | メモリ約8 GB(推定) | 未計測 |
メモリの数値は、ファイルサイズとQwenが公表しているオリジナルモデルの数値から算出した推定値で、リリース前に実機のGPUで確認されます。
ライセンス
Apache-2.0。モデル自体および生成された音声の商用利用が認められています。
- Qwen3-TTS-12Hz-0.6B-Base © Qwen team, Alibaba Cloud — モデルカード(
license: apache-2.0)、ライセンス本文。 - Qwen3-TTS-Tokenizer-12Hz(GGUFファイルに同梱された音声コーデック)© Qwen team — モデルカード、Apache-2.0。
- GGUFパッケージング:
audio-cpp/audio.cpp-gguf— リポジトリのカードではQwen3-TTSのGGUFパッケージがApache-2.0と記載されており、オリジナルモデルのライセンスに従います。
重みを再配布する際に必要な表示:Qwen3-TTSのApache-2.0ライセンス本文とその通知を保持してください。生成した音声には表示義務はありません。
制限は明白です。上記の通知要件以外にライセンス上の制限はありません。地域の制限、収益の上限、ウォーターマークはいずれもありません。クローンしてよいのは、使用する権利がある声(自分の声、または話者の同意を得た声)だけです。なりすまし、詐欺、偽情報は認められず、声の類似性に関する法律が適用されます。生成したものについては利用者が責任を負います。
すべてのファイルはHugging Faceからダウンロードされます。AI Game Devはそれらをホストしていません。
バージョン
| バージョン | リリース日 | アプリが必要 |
|---|---|---|
| 1.0.2最新 | 0.32.0-beta.6 以降 | |
| 1.0.1 | 0.32.0-beta.6 以降 |
インストール
デスクトップアプリで
Packages ウィンドウを開き(ステータスバーのパッケージアイコン)、Browse を選んで aigd.audio-qwen3-tts-0-6b-base を検索し、Add to Project をクリックします。
アプリがまだない方は、Windows、macOS、Linux 用の AI Game Dev を無料でダウンロードしてください。
ターミナルから
gamedev CLI を使い、プロジェクトフォルダーで実行します。
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base必要条件
- AI Game Dev 0.32.0-beta.6 以降
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base