# Qwen3-TTS 0.6B Base(音声モデル)

> 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。

- ID: `aigd.audio-qwen3-tts-0-6b-base`
- ソース: 公式 (ファーストパーティ `aigd.*`)
- カテゴリ: オーディオ
- パブリッシャー: AI Game Dev (`aigd`), 確認済み
- 最新バージョン: 1.0.2 (公開日 2026-11-22)
- ライセンス: Apache-2.0
- AI Game Dev アプリが必要です: `>=0.32.0-beta.6`
- ネイティブコード: いいえ
- 評価: まだ評価はありません
- HTML ページ: https://ai-game.dev/ja/packages/aigd.audio-qwen3-tts-0-6b-base

## インストール

gamedev CLI を使用する場合は、プロジェクトフォルダで:

```bash
gamedev pkg add aigd.audio-qwen3-tts-0-6b-base
```

デスクトップアプリで: パッケージウィンドウ（ステータスバーのパッケージアイコン）を開き、**参照** を選択して `aigd.audio-qwen3-tts-0-6b-base` を検索し、**プロジェクトに追加** をクリックします。詳細: https://ai-game.dev/docs/wiki/app/packages

## バージョン

| バージョン | 公開日 | アプリが必要 | 備考 |
|---|---|---|---|
| 1.0.2 | 2026-11-22 | `>=0.32.0-beta.6` | 最新 |
| 1.0.1 | 2026-11-21 | `>=0.32.0-beta.6` | - |

## 説明

````markdown
# Qwen3-TTS 0.6B Base(ボイスクローン)(`aigd.audio-qwen3-tts-0-6b-base`)

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](https://ai-game.dev/packages/aigd.audio-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](https://ai-game.dev/packages/aigd.audio-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](https://ai-game.dev/packages/aigd.audio-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](https://ai-game.dev/packages/aigd.audio-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`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/Qwen3-TTS-12Hz-0.6B-Base-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](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-0.6B-Base)(`license: apache-2.0`)、[ライセンス本文](https://www.apache.org/licenses/LICENSE-2.0)。
- 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](https://huggingface.co/Qwen/Qwen3-TTS-Tokenizer-12Hz)、Apache-2.0。
- GGUFパッケージング:[`audio-cpp/audio.cpp-gguf`](https://huggingface.co/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。
````
