このページは英語から機械翻訳されています。英語の原文を読む。

Qwen3-TTS 1.7B Base(音声モデル)

公式オーディオGPUv1.0.2aigd.audio-qwen3-tts-1-7b-base
インストール アプリがまだない方は 無料でダウンロード
またはターミナルから
gamedev pkg add aigd.audio-qwen3-tts-1-7b-base
お使いのコンピューターで実行します。 モデルを一度ダウンロードするだけで、このコンピューターの GPU で生成します。

概要

Qwen3-TTS 1.7B Base:短い参照クリップ(3 s以上)の声を10言語でクローンするテキスト読み上げ、24 kHz。キャラクターのセリフやナレーション向けです。より大型のクローニングモデルで、約6 GBのGPU(推定)向け。audio.cppでローカルに動作します。Apache-2.0、商用利用可能。

Qwen3-TTS 1.7B Baseは、Alibaba CloudのQwen3-TTSファミリーの中でも大型の音声クローニングモデルです。短い参照クリップ(3 s以上)の声で、任意のテキストを10言語で読み上げます。最も似た声にしたい場合は、クリップの書き起こしを渡してください。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)を通じてお使いのGPU上でローカルに動作するため、セリフ1行あたり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声を当てたいゲーム開発者に適しており、商用利用を認めるApache-2.0の下で提供されています。

作成できるもの

  • 一度録音した声でのNPCのセリフとナレーション。
  • プロトタイピング中に、本録音の前に入れておく自分の声の仮ボイスライン。
  • ローカライズ版のために、同じキャラクターの声を最大10言語で。
  • チュートリアルのボイスオーバー、アナウンス、無線のやり取り。

リクエスト例

  • 「私の録音voice/me.wavとその書き起こしを使って、dialogue/quest-03.txtのクエストのセリフを読み上げて。」
  • 「voice/narrator.wavの声をクローンして、第2章の冒頭をナレーションして。」
  • 「voice/guard.wavを使って、警備兵に『Halt! Who goes there?』を英語、フランス語、韓国語で言わせて。」

ハイライト

仕様値
声3–30 sのWAVクリップからクローン。書き起こしは任意(あると最も近い声になる)
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モノラルのWAV。プロジェクト内に保存されます
1リクエストあたりのテキスト最大600文字(英語の音声で約40 s)。より長いテキストは順序付きのセグメントに分割します
再現性シードで結果を再現できます
  • 音声クローン:1人がはっきりと話している3–30 sのWAVクリップ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、あると最も近い声になります。ない場合、モデルは話者の音色のみ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、すべてのリクエストに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)。

モデルはテキストの言語を自動的に検出します。言語設定は情報表示用です。

このパッケージはデータのみです。モデルファイルを指定します。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モノラルのWAVを書き出します。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 CustomVoice9つの内蔵ボイスyes2.82 GB約6 GB
Qwen3-TTS 1.7B VoiceDesign声のテキスト記述あり(記述内で)2.82 GB約6 GB
  • 実際の声(自分の声、または同意を得た俳優の声)をクローンする場合:GPUが小さいなら0.6B Base、GPUメモリが約6 GBあるなら1.7B Base。
  • 既製のボイスを使って感情を操作する場合:1.7B CustomVoice。
  • 言葉だけから新しいキャラクターの声を作る場合:1.7B VoiceDesign。

ダウンロード

2.70 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-1.7b-base-q8_0_v2.gguf(トーカー、話者エンコーダー、12 Hz音声コーデックを1ファイルに収録)audio-cpp/audio.cpp-gguf @ b7b9aa1f2.70 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)約6 GBのGPUメモリ(推定)未計測
Appleシリコン搭載Mac(Metal)約8 GBのメモリ(推定)未計測

メモリの数値はファイルサイズとQwenのオリジナルモデルに関する数値からの推定で、リリース前に実機のGPUで確認します。

ライセンス

Apache-2.0。モデル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-1.7B-Base © Qwen team, Alibaba Cloud — モデルカード(license: apache-2.0)、ライセンス条文。
  • Qwen3-TTS-Tokenizer-12Hz(音声コーデック、GGUFファイル内に同梱)© 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、元の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ライセンス条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。

制限について端的に言えば、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のある声(自分の声、または話者の同意を得た声)のみです。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。生成した内容についてはあなたが責任を負います。

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はファイルをホストしていません。

バージョン

Qwen3-TTS 1.7B Base(音声モデル)のリリース
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
1.0.10.32.0-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-1-7b-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-1-7b-base

必要条件

  • AI Game Dev 0.32.0-beta.6 以降

パッケージについて詳しく

インストール
gamedev pkg add aigd.audio-qwen3-tts-1-7b-base