Qwenを使ってTTS（Text-To-Speech）を実現する

はじめに

前回は、faster-whisperによる文字起こしを実現しました。

次はText-To-Speechを実現してみます。

環境構築

今の時代、コードは生成AIに頼めばよいのですが、環境構築は頑張って自分でする必要があります。

モデルの入手

ChatGPTに聞くと、Qwen3を進められました。

まずはお試しということで、一番小さいモデルのQwen3-TTS-12Hz-0.6B-CustomVoiceを入手します。

と言っても、Qwenをインストールして音声を作ると、初回に必要なモデルをダウンロードしてくれるので、特に「モデルのインストール」という作業は必要ありません。

仮想環境を作って、PyTouchと必要なモジュールをインストール。

> python -m venv .venv

> pip install torch torchaudio
> pip install -U qwen-tts
> pip install soundfile

そして、Ono_Annaで「こんにちは」と言ってもらうためのスクリプトを動かします（このコード自体もChatGPTに作ってもらっています）

hello.py

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# 使用するモデル（軽量な0.6Bモデル）
MODEL = "Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice"

# GPUがない場合はCPUを使用
device = "cuda:0" if torch.cuda.is_available() else "cpu"
dtype = torch.float16 if device == "cuda:0" else torch.float32

print(f"実行デバイス: {device}")
print("モデルを読み込んでいます。初回はダウンロードに時間がかかります...")

model = Qwen3TTSModel.from_pretrained(
    MODEL,
    device_map=device,
    dtype=dtype,
)

print("音声を生成しています...")

wavs, sr = model.generate_custom_voice(
    text="こんにちは。これは、Qwen3-TTSによる日本語音声のテストです。",
    language="Japanese",
    speaker="Ono_Anna",
)

sf.write("hello.wav", wavs[0], sr)

print("生成完了: C:\\python\\_qwen\\hello.wav")

これで、無事に動きました。

その後

instructというプロパティを使うと「喋り方」をさらに望み通りにできるようで、モデルを1.7Bに変えるよりも良いらしいです。いろいろ試してみようと思います。

（おわり）