Qwen3-TTSで日本語の声を作る｜無料で版を固定できる

この記事で分かること

• Qwen3-TTS でできること（完全無料・商用可・数秒の音声から声を真似る）
• 有料サービスから乗り換えた理由（「版」を固定できなかった）
• VRAM が足りない GPU だと、CPU より遅くなるという実測
• クローンした声が平坦になる原因と、設定ひとつでの直し方
• 日本語のアクセントが安定しないという弱点

結論を先に書きます

Qwen3-TTS は完全無料で、商用利用の制約もほぼありません。 ライセンスは Apache 2.0。自分のPCで動くので使用料も回数制限もありません。数秒の手本の音声を渡すだけで、その声を真似て読んでくれます。

そして 演技の指示を日本語の文章で書けます。 ここが他と一番違うところでした。

実際に聞いた印象はこうです。

Qwen の方が流暢な日本語に聞こえる。ElevenLabs より全然いい

全体的には 90点くらい

弱点もはっきりあります。日本語のピッチアクセント（「橋」と「箸」を分ける、あの高低）を扱っていません。 同じ言葉でも文によって高低が変わり、指示では直せませんでした。

それでも 「声を作る道具」としては今も使っています。 理由は最後に書きます。

なぜ有料サービスから乗り換えたのか

このシリーズの前の記事で、ElevenLabs で第25話の声が別人に変わった話を書きました。同じ声ID、同じモデル、同じ設定、1文字も違わないテキスト。違うのは日付だけなのに、声の高さが変わりました。

サポートに問い合わせて原因は分かりましたが、バージョンを固定する手段は提供されていません。 つまり、こちら側では防げません。

もう一つ、声を探している最中に 月121,000クレジットを使い切りました。

40話の作品を作っています。判断の軸はずっとこれ一つでした。

公開後に「声が作れません」は絶対にNG。

何年後かに1話ぶん作り直すことになったとき、同じ声が出せなければ作品が壊れます。有料サービスは便利ですが、版を固定できないという一点がどうしても引っかかりました。

Qwen3-TTS は、モデルの重みを自分の手元に置けます。 つまり 版を永久に固定できます。 2026年8月23日に、こちらへ移りました。

Qwen3-TTS とは何か

Alibaba（中国）が公開した多言語の音声合成モデルです。

モデルは3種類あります。

演技の指示を日本語の文章で書ける、というのが最大の強みです。英語のタグを覚える必要がありません。

動かした環境と速さ

インストールは1行です。

pip install -U qwen-tts

動かしたのはノートPC、CPUのみ（8コア） です。

• モデルの読み込み：約2分
• 1セリフの生成：15〜30秒

セリフを何十本も回すと待ち時間は積み上がりますが、費用がゼロなので何度でも作り直せます。有料サービスで「試すたびにクレジットが減る」状態を経験したあとだと、ここは想像以上に効きます。

GPU を使ったら、逆に遅くなりました

これは意外だったので数字で残しておきます。

積んでいた GPU は RTX 3050 Ti Laptop（VRAM 4GB）。Qwen3-TTS が必要とするのは 4.45GB でした。わずかに足りません。

はみ出したぶんが主メモリとの往復になり、結果としてこうなりました。

短いセリフでは4倍以上遅くなりました。

VRAM が足りない GPU なら、CPU で動かしたほうが速いです。 「GPU があるから GPU で回す」と決め打ちせず、一度は両方で測ってみてください。試した範囲では、これがはっきり出ました。

一番の発見：クローンは「読み方」まで真似ていた

ここが、この記事で一番役に立つ話だと思います。

演技の指示を書いても、何を書いても平坦な読み方に戻されるという状態が続きました。指示の書き方を変えても、強めても、変わりません。

原因は、クローンの既定の動きでした。

Qwen のクローンは、声だけでなく「読み方」まで手本から真似ます。 こちらが渡した手本は「静かに読んだ3秒の音」でした。つまり、手本の平坦さごとコピーされていたわけです。指示が効かないのは当然でした。

対処は設定ひとつです。

x_vector_only_mode=True

これを付けると 声の特徴だけを取り、読み方は取りません。

同じセリフを3回生成して、音の強弱のばらつきを測った結果です。

ばらつきが 11.1dB から 1.4dB まで落ちました。 つまり、回すたびに読み方が暴れる状態が収まったということです。

そして 声の区別は保たれました。 実測で、主人公役は 267〜273Hz、別の役は 245Hz と、役ごとの差はそのまま残っています。

平坦さは、エンジンではなく手本から来ていた

念のため、同じ手本を使って別のサービス（MiniMax）でもクローンしてみました。 結果は 同じように平坦 でした。

エンジンを乗り換えても直りません。 手本の音声が平坦なら、どこでクローンしても平坦になります。手本を録り直すか、読み方を取らない設定にするか、どちらかしかないということです。

音声AIで「棒読みになる」と困っている人は、まず 渡している手本そのもの を疑ってみてください。

できないこと：日本語のアクセントが安定しない

ここが Qwen3-TTS の一番の弱点です。

日本語のピッチアクセントを扱っていません。 「橋」と「箸」を分ける、あの高低のことです。

実際に起きたことを書きます。作中で何度も出てくる4拍の言葉が、文によって高低が正反対になりました。（作品が未公開なので、言葉そのものは伏せます）

同じ言葉なのに逆さまです。

そして、指示で直そうとしても直りませんでした。 生成のたびに変わるからです。同じ文をもう一度読ませると、また違う高低になります。狙って固定する方法が見つかりませんでした。

繰り返し出てくる言葉や、固有名詞が多い作品では、ここが効いてきます。 逆に、1回しか出てこない普通の会話文であれば、多少ゆれても気になりません。

VoiceDesign も、呼ぶたびに揺れる

文章から声を設計する VoiceDesign も、同じ指示で呼ぶたびに結果が変わりました。 実測で 147／142／111 Hz とばらついています。

なので運用はこうしました。

声は一度だけ設計する。そのとき出た音声を手本として保存し、以後はクローンで読ませる。

設計を毎回呼ぶと声が安定しません。一度作った声を「手本のファイル」として固定してしまうのが正解でした。

運用で決めたこと

音量をそろえる（ただしラウドネス基準は使わない）

Qwen が出す音声は −14.8dB 前後でした。他の素材と混ぜると音量が合わないので、ピークを −5.5dB に合わせるという決まりにしています。

ラウドネス基準の loudnorm は使いません。 一度試しましたが、強弱を圧縮して語尾まで持ち上げてしまい、片言に聞こえるようになりました。 音量をそろえるつもりが、演技を潰していたわけです。

道具を変えたら、前の道具用の細工は全部外す

これは反省として書いておきます。

ElevenLabs を使っていた頃、読み方を調整するために台本へ 読点や三点リーダ を足していました。その台本をそのまま Qwen に渡したら、変な間 になりました。

前の道具で効いていた工夫が、次の道具では邪魔になります。 乗り換えるときは、素の台本に戻してから始めてください。

一律に遅くしない

「速く聞こえる」と感じて全体を遅くすると、ただのスローモーションになります。速さは全体ではなく、気になった箇所だけ触ってください。

費用は実際いくらだったか

参考までに、8月の Replicate の請求内訳を出しておきます。

音声は誤差です。 AI で映像作品を作るとき、削るべきは動画のほうでした。

音声AIの費用を必死に削っても、全体の1%も動きません。時間をかけて比較する価値があるのは「品質」と「版を固定できるか」であって、金額ではなかったというのが実感です。

向く人／向かない人

向いています

• 長く作り続ける作品。 重みが手元にあるので、何年後でも同じ声が出せます
• 費用をかけずに何度も試したい人。 完全無料・回数制限なしです
• オリジナルの声が必要な人。 文章で声を設計できます
• 演技を細かく付けたい人。 日本語の文章で指示が書けます

向いていません

• 同じ言葉が何度も出てくる作品。 アクセントが文ごとに変わります
• 固有名詞が多い内容。 読みの高低が安定しません
• 待てない人。 CPU で1セリフ15〜30秒かかります

これから使う人へ

1. x_vector_only_mode=True を先に知っておいてください。 既定ではクローンが読み方まで真似ます。手本が平坦なら、何を指示しても平坦なままです。ここに気づくまでかなり遠回りしました
2. 手本の音声が全部を決めます。 別のサービスでクローンしても同じように平坦になりました。エンジンを乗り換える前に、手本を疑ってください
3. VRAM が足りない GPU なら CPU で回してください。 4GB では 4.45GB に届かず、CPU より遅くなりました。決め打ちせず一度測ってください
4. 声は一度だけ設計して、手本として保存してください。 設計を呼ぶたびに声が揺れます（実測で 147／142／111 Hz）。以後はその手本からクローンするのが安定します
5. 道具を変えたら、前の道具用の細工は全部外してください。 読点や三点リーダの追加が、そのまま変な間になりました

まとめ

Qwen3-TTS は完全無料で、商用利用の制約もほぼなく、重みを手元に置けるので版を永久に固定できます。 有料サービスで「同じ声が二度と出せない」を経験したあとでは、ここが決定的でした。日本語の流暢さも、聞いた印象では前に使っていたサービスより良かったです。

弱点は日本語のアクセントです。 同じ言葉が文によって正反対の高低になり、指示では直せませんでした。

この弱点は、次の記事で扱う Style-Bert-VITS2 で解決しました。ただし SBV2 は「既にある声を学習する」ことしかできません。新しい声を作れるのは Qwen のほうです。

つまり、両方要ります。 Qwen で声を作り、SBV2 にその声を学習させて日本語を正しく読ませる。今はこの組み合わせで作っています。続きはこちらの記事に書きました。

この検証は、現在制作中の長編AIアニメーションの制作過程で行っています。作品の公開が始まったら、この記事からもお知らせします。

関連記事

• 音声AI 7種を比較｜アニメ制作で分かった費用と権利
• Style-Bert-VITS2の学習でAI感が消えた話
• ElevenLabsとは？40話のアニメで使って分かった弱点
• Gemini TTSで日本語の声を作る｜疑問形が読めない問題
• 無料のローカル音声AIを試した｜AivisSpeechの実力