Qwen3-TTS 1.7B Base(音声モデル)
gamedev pkg add aigd.audio-qwen3-tts-1-7b-base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 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) | 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 @ b7b9aa1f | 2.70 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
| 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-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
gamedev pkg add aigd.audio-qwen3-tts-1-7b-base