# Qwen3-TTS 1.7B Base(音声モデル)

> 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。

- ID: `aigd.audio-qwen3-tts-1-7b-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-1-7b-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-1-7b-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-1-7b-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 1.7B Base(音声クローン)(`aigd.audio-qwen3-tts-1-7b-base`)

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](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) | 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`](https://huggingface.co/audio-cpp/audio.cpp-gguf/tree/b7b9aa1f16c819c3b2d69a602b51786bdfb361a3/Qwen3-TTS-12Hz-1.7B-Base-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](https://huggingface.co/Qwen/Qwen3-TTS-12Hz-1.7B-Base)(`license: apache-2.0`)、[ライセンス条文](https://www.apache.org/licenses/LICENSE-2.0)。
- 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](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、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。
````
