Qwen3-TTSの使い方:無料でボイスクローン、Intel内蔵GPUで10倍速
8秒の録音で声をクローン。Intel内蔵GPUなら1文20秒未満、CPUの10倍以上速い。XPU導入、プリセット音声、日本語を含む多言語クローンを実測。

オープンソースの TTS(テキスト読み上げ)を紹介するシリーズの、3 本目の記事です。「AI 読み上げを無料で商用利用」で全体を比較し、前回の「CosyVoice 3 の使い方」では CPU だけでも動くボイスクローンを紹介しました。今回は Qwen3-TTS の番です。
全体比較の記事では、Qwen3-TTS のボイスクローンを CPU で動かしたところ、1 文に 4 分以上かかりました。そのときは「クローンした声でセリフを大量に生成するなら、やはり NVIDIA の GPU が必要」という結論でした。今回はノート PC の Intel 内蔵 GPU に切り替えたところ、同じ 1 文が 16〜18 秒で済み、今回の計測では 10 倍以上速くなりました。しかもパッケージのソースコードを書き換える必要もありません。ただし、CPU で計測したときはほかのプログラムも開いていて、内蔵 GPU のときはほかに負荷がない状態でした。この記事では、Intel 内蔵 GPU(PyTorch XPU)でローカルに動かす手順をまとめ、私自身の声でボイスクローンを実演します。
Qwen3-TTS とは?商用利用はできる?
Qwen3-TTS は、Alibaba の通義千問(Qwen)チームが 2026 年 1 月 22 日にオープンソースで公開した音声生成モデルのシリーズです。以下は GitHub と Hugging Face のモデルページの情報で、確認日は 2026-11-21 です。
項目 | 内容 |
|---|---|
ライセンス | Apache-2.0、商用利用可 |
サイズ | 0.6B(6 億パラメータ)と 1.7B(17 億パラメータ) |
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、イタリア語の 10 言語 |
ボイスクローン | 公式によると、3 秒の参照音声でクローン可能 |
学習データ | 技術レポートによると、10 言語で 500 万時間を超える音声 |
インストール |
|
3 種類のモデル:Base、CustomVoice、VoiceDesign
Qwen3-TTS は用途ごとに 3 種類に分かれています。モデル名に含まれる 12Hz は、使用している音声トークナイザーを指しています。
モデル | 用途 | 0.6B | 1.7B | 指示で口調を制御 |
|---|---|---|---|---|
Base | ボイスクローン。ファインチューニングにも使える | あり | あり | できない |
CustomVoice | 9 種類のプリセット音声 | あり | あり | 1.7B のみ可 |
VoiceDesign | 文章で説明して新しい声をデザインする | なし | あり | できる |
この記事ではすべて 0.6B を使っています。Hugging Face からダウンロードすると、Base と CustomVoice はそれぞれ約 2.4 GB です。
9 種類のプリセット音声
CustomVoice のプリセット音声です(公式の説明を訳したもの)。
名前 | 声 | 母語 |
|---|---|---|
Vivian | 明るく、少し個性のある若い女性の声 | 中国語 |
Serena | 温かく優しい若い女性の声 | 中国語 |
Uncle_Fu | 落ち着いた男性の声。低くまろやか | 中国語 |
Dylan | 北京なまりの若い男性の声 | 中国語(北京語) |
Eric | 成都出身の元気な男性の声。少しハスキー | 中国語(四川語) |
Ryan | リズム感の強い男性の声 | 英語 |
Aiden | 明るいアメリカ人男性の声 | 英語 |
Ono_Anna | おちゃめで軽やかな女性の声 | 日本語 |
Sohee | 温かく感情豊かな女性の声 | 韓国語 |
公式では、それぞれの声の母語で使うことが推奨されていますが、どの声でも 10 言語すべてを話せます。
動作環境:NVIDIA の GPU がなくても動く?
動きます。公式のサンプルはどれも device_map="cuda:0" で、bfloat16 と FlashAttention 2 を組み合わせていて、GitHub にもモデルページにも CPU や Intel の GPU についての説明はありません。実際には、CPU でも Intel 内蔵 GPU でも動きます。
私のノート PC は Intel Core Ultra 5 322(6 コア)で、GPU は Panther Lake の内蔵 GPU、単体 GPU は搭載していません。0.6B で私自身の声をクローンし、同じ中国語のセリフ(簡体字で入力、音声は約 6 秒)を読ませた結果です。
実行環境 | 生成時間 | 所要時間の倍率(小さいほど速い) |
|---|---|---|
CPU(6 コア) | 約 270 秒 | 約 42 |
Intel 内蔵 GPU(PyTorch XPU) | 16〜18 秒 | 2.7〜3.0 |
Intel 内蔵 GPU、bfloat16 に変更 | 約 12 秒 | 約 2.2 |
所要時間の倍率は、生成時間を音声の長さで割った値です。たとえば 3.0 なら、1 秒の音声の生成に 3 秒かかります。
CPU は 2 回計測して、272 秒と 402 秒でした。計測中はほかのプログラムも開いていたので数字に大きな差がありますが、どちらにしても 4 分半以上かかっています。内蔵 GPU はほかに負荷がない状態で計測し、同じ文を 3 回続けて生成しました。1 回目は生成前にコンパイルが行われるため約 20 秒、その後は 16〜18 秒です。
ほかに、モデルの読み込みに約 6〜10 秒かかります。プリセット音声(CustomVoice)も内蔵 GPU での速度はほぼ同じで、約 8 秒のセリフの生成に約 18〜20 秒でした。
前回の CosyVoice 3 と比べると、同じボイスクローンでも Qwen3-TTS は内蔵 GPU で約 2 倍速いです。同じ録音、同じ 2 つのセリフで比べたところ、Qwen3-TTS は 1 文 16〜28 秒、CosyVoice 3 は 29〜61 秒でした(CosyVoice 3 の記事に書いた倍率 2.5 は、書き起こしを渡さない言語間モードの数字で、書き起こし付きのクローンより速くなります)。CPU ではさらに差が開きます。CosyVoice 3 は CPU で 1 文約 2 分ですが、Qwen3-TTS は 4 分半以上かかります。Qwen3-TTS でボイスクローンをするなら、内蔵 GPU はほぼ必須です。
Qwen3-TTS のインストール方法(CPU 版)
私の環境は Linux(Arch)で、Python は uv で管理しています。公式には Python 3.12 のクリーンな環境が推奨されています。
mkdir -p ~/tools/qwen3-tts && cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv
VIRTUAL_ENV=.venv uv pip install --index-url https://download.pytorch.org/whl/cpu torch torchaudio
VIRTUAL_ENV=.venv uv pip install qwen-tts soundfile先に PyTorch の CPU 専用インデックスから torch を入れておきます。そうしないと、Linux ではデフォルトで CUDA を含むバージョンがダウンロードされ、数 GB 余計にディスク容量を使います。
公式では高速化のために FlashAttention 2 のインストールも勧めていますが、これはオプションで、対応する GPU が必要です。CPU と Intel 内蔵 GPU では使えないので、インストールを省略してかまいません。
最初の 1 文を生成する
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel
# ボイスクローン:Base モデル + 参照音声 + 参照音声の書き起こし
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_voice_clone(text="読ませたいセリフ", language="Chinese",
ref_audio="ref.wav", ref_text="参照音声で話している内容")
sf.write("out.wav", wavs[0], sr)初回の実行時に、Hugging Face からモデルが自動でダウンロードされます。プリセット音声を使うときは CustomVoice モデルに切り替えます。
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice",
device_map="cpu", dtype=torch.float32)
wavs, sr = m.generate_custom_voice(text="読ませたいセリフ", speaker="Uncle_Fu", language="Chinese")language には Chinese、English、Japanese のような言語名を書くか、Auto にしてモデルに判断させます。
Intel 内蔵 GPU で高速化する方法(PyTorch XPU)
ここがこの記事の本題です。PyTorch で Intel の GPU を使うためのバックエンドは XPU と呼ばれていて、公式のインデックスから XPU 版をそのままインストールできます。自分でビルドする必要はありません。
PyTorch 公式の XPU ガイドによると、対応する Intel の GPU は Arc A/B シリーズの単体 GPU と、Core Ultra の内蔵 GPU(Meteor Lake、Arrow Lake、Lunar Lake、Panther Lake)です。公式に挙がっている OS は Windows 11 と Ubuntu(Panther Lake は Ubuntu 26.04 が必要)。私は一覧にない Arch Linux を使っていますが、問題なく動きました。
内蔵 GPU 専用の環境を別に作り、CPU 版の環境はそのまま残しています。
1. Intel のコンピュートランタイムをインストールする
一般的なデスクトップ環境には、画面表示用のドライバーしか入っていません。PyTorch で GPU に計算させるには、Intel のコンピュートランタイム(Level Zero)も必要です。Arch Linux では、次のコマンドでインストールします。
sudo pacman -S intel-compute-runtime2. XPU 版の PyTorch をインストールする
cd ~/tools/qwen3-tts
uv venv --python 3.12 .venv-xpu
VIRTUAL_ENV=.venv-xpu uv pip install --index-url https://download.pytorch.org/whl/xpu torch torchaudio
.venv-xpu/bin/python -c "import torch; print(torch.xpu.is_available(), torch.xpu.get_device_name(0))"True Intel(R) Graphics と表示されれば、内蔵 GPU が認識されています。私の環境では PyTorch 2.15.0 が入りました。
3. torch のバージョンを固定してから qwen-tts を入れる
このあと qwen-tts を入れるときに、torch の依存関係もチェックされます。パッケージ管理ツールに任せると、入れたばかりの XPU 版が通常版に置き換えられることがあります。そこで先に制約ファイルを書いて、バージョンを固定しておきます。
cat > xpu-constraints.txt <<'EOF'
torch==2.15.0+xpu
torchaudio==2.11.1+xpu
EOF
VIRTUAL_ENV=.venv-xpu uv pip install -c xpu-constraints.txt \
--index-strategy unsafe-best-match --extra-index-url https://download.pytorch.org/whl/xpu \
qwen-tts soundfileバージョン番号は、実際に入ったものに置き換えてください(uv pip list で確認できます)。--index-strategy unsafe-best-match を付けると、uv が PyPI と PyTorch の XPU インデックスの両方からパッケージを選べるようになります。
前回の CosyVoice 3 では、この段階で triton の競合が起きました。openai-whisper が古い triton を一緒に入れてしまい、XPU に必要な triton-xpu を上書きするのです。Qwen3-TTS は openai-whisper を使わないので、今回はこの競合は起きませんでした。cannot import name 'make_tensordesc_args' というエラーが出た場合は、前回の記事の対処法を参考にしてください。
4. device_map を xpu に変える
ここが CosyVoice 3 との最大の違いです。CosyVoice のコードは CUDA しか認識しないので、いったん CPU で読み込んでから、手作業でモデルを内蔵 GPU に移す必要がありました。Qwen3-TTS は Hugging Face transformers の方式でモデルを読み込むので、device_map を "xpu" に変えるだけで済み、パッケージのソースコードを書き換える必要はありません。
m = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-0.6B-Base",
device_map="xpu", dtype=torch.float32)dtype は、モデルが計算に使う数値の精度です。float32 は 32 ビットの浮動小数点数で、精度は高いものの遅く、メモリも多く使います。bfloat16 は 16 ビットで表現するので、速くてメモリも節約できますが、精度は下がります。公式のサンプルは dtype=torch.bfloat16 です。
私はふだん float32 を使っていますが、bfloat16 も試してみました。同じ文が 16〜18 秒から約 12 秒に短くなり、音声認識(Whisper)で書き起こしても、内容は正確でした。ただ、2 回の生成で音声の長さが違ったので(bfloat16 は 5.3 秒、float32 は 6.0 秒)、速度を比べるときはこの差にも注意が必要です。
2 つを聞き比べたところ、音質の差はごくわずかで、注意深く聞かないと区別できませんでした。そのため、Intel 内蔵 GPU で動かすなら bfloat16 をそのまま使うのがおすすめです。今回のテストでは、1 文あたりの生成時間をさらに約 3 割短縮できました。
内蔵 GPU で最初に生成するときは、計算用のプログラムがコンパイルされるため遅くなります。同じプロセスのまま続けて生成すれば、2 回目以降は通常の速度です。セリフをまとめて生成するなら、モデルは 1 回だけ読み込んで、1 文ずつ続けて読ませるようにし、1 文ごとにプログラムを起動し直さないでください。
私は CPU と内蔵 GPU の両方の使い方を 1 つのコマンドにまとめて ~/tools/qwen3-tts/ に置き、どのプロジェクトからでも呼び出せるようにしています。--device xpu を付けると、内蔵 GPU 用の環境に切り替わります。
実験 1(Qwen3-TTS demo):自分の声でボイスクローン
参照用の録音は前回と同じで、スマートフォンで録った 8 秒の私の声です。
お断り:この節の音声サンプルはすべて筆者 Terry L 本人の声と、本人の声をクローンしたものです。無断転載・ダウンロード、ほかの場所での使用(クローンへの利用を含む)はご遠慮ください。
次の 2 文は、私が一度も口にしたことのない文です。Qwen3-TTS 0.6B が Intel 内蔵 GPU 上で、上の録音とその書き起こしを使い、私の声をクローンして生成しました。セリフも書き起こしも、先に簡体字に変換してから入力しています(理由は実験 2 で説明します)。
2 文目は読み上げの難しい文です。「Intel」「NVIDIA」と、中国語の「內顯(内蔵 GPU)」「顯示卡(グラフィックボード)」が入り混じっています。3 パターン続けて生成したところ、最初の 2 つは「顯示卡」を読み間違えるか、「NVIDIA」の発音があいまいになるかで、3 つ目でようやくすべて正しく読めました。Qwen3-TTS でこういうセリフを読ませるときは、何パターンか生成してから選ぶようにしましょう。
生成された中国語の音声は、私自身の声によく似ていると感じました。
言語をまたいだクローン:同じ中国語の録音からクローンした声で、日本語や英語も話せます。
音声認識(Whisper)で書き起こして比べたところ、日本語の文は内容が完全に一致していました。英語の文も「Qwen3-TTS」という名前が別の語に変わった以外は正しく、語の追加や抜けもありませんでした。
ただ、内容が正しいからといって、聞きやすいとは限りません。英語の文は、私の耳にはかなりぎこちなく聞こえ、ぶつぶつと途切れて不自然でした。同じ録音で英語を話させると、前回の CosyVoice 3 のほうが明らかにずっと滑らかです。自分の声でほかの言語を話させるなら、言語をまたいだクローンは CosyVoice 3 の勝ちです。
実験 2:ロボットのバーテンダー、アーサーのセリフ
サイトのトップページは 3D の月面基地のミニゲームになっていて、基地内のバーでは、ロボットのアーサーがバーテンダーを務めています。映画『パッセンジャー』(Passengers、2016)のバーテンダーへのオマージュですが、マイケル・シーンの声はあえてまねておらず、今は私の声で話しています。彼のセリフを Qwen3-TTS に読ませました。
Qwen3-TTS に中国語を読ませるときは、セリフを先に簡体字に変換してください。同じ文を繁体字で入力すると、複数の読み方がある漢字を読み間違え、私が聞いたところ「行業(業界)」が「商議(相談する)」になっていました。簡体字なら正しく読めます。変換は Python の OpenCC パッケージで 1 行で済みます。
from opencc import OpenCC
t2s = OpenCC("t2s").convert
text = t2s("這是這份行業的神聖信用") # 変換結果:这是这份行业的神圣信用この点は CosyVoice 3 のほうが手軽で、繁体字のまま入力してもほとんど正しく読み、ごく一部の字を直すだけで済みます。
実験 3:9 種類のプリセット音声(CustomVoice)
ボイスクローンを使わないときや、キャラクターの参照音声がまだないときは、プリセット音声をそのまま使えます。以下はすべて 0.6B の CustomVoice を内蔵 GPU で動かして生成しました。セリフは「歡迎來到月球基地的酒吧。今天想喝點什麼?」(月面基地のバーへようこそ。今日は何を飲みますか?)で、簡体字に変換して入力しています。
次は英語のプリセット音声 Aiden です。セリフは「Welcome to the bar on the lunar base. What can I get you tonight?」です。
Eric は話しはじめた瞬間に四川なまりだとわかります。キャラクターに少し地方なまりを持たせたいなら、そのまま使えます。
0.6B の CustomVoice は指示で口調を制御できません。「怒った口調で」のように指定したいなら、1.7B を使う必要があります。
Qwen3-TTS と CosyVoice 3、どちらを選ぶ?
どちらも Alibaba がオープンソースで公開している Apache-2.0 ライセンスのモデルで、商用利用できます。同じノート PC で両方試しました。
項目 | Qwen3-TTS 0.6B | CosyVoice 3(0.5B) |
|---|---|---|
ライセンス | Apache-2.0 | Apache-2.0 |
言語 | 10 言語 | 9 言語(ポルトガル語なし) |
方言 | プリセット音声に北京語、四川語 | 18 種類以上、指示で切り替え |
中国語の入力 | 先に簡体字に変換が必要 | 繁体字もほぼそのまま入力できる |
指示で口調を制御 | 0.6B は不可(1.7B の CustomVoice と VoiceDesign は可、Base は不可) | 可能(方言、話す速さ、感情) |
Intel 内蔵 GPU での実行方法 |
| 手作業でモデルを内蔵 GPU に移す |
内蔵 GPU で 1 文をクローン音声で生成(同じセリフ) | 16〜28 秒(bfloat16 ならさらに速い) | 29〜61 秒 |
CPU で 1 文をクローン音声で生成 | 4 分半以上 | 約 2 分 |
言語をまたいだクローン(中国語の録音で英語) | かなりぎこちない | ずっと滑らか |
まとめると、次のようになります。
- Intel 内蔵 GPU があり、速さを重視し、プリセット音声をそのまま使いたい:Qwen3-TTS。設定がいちばん簡単で、クローンも速いです。
- 自分の声で英語などほかの言語を話させたい:CosyVoice 3。言語をまたいだクローンがずっと滑らかです。
- セリフが主に繁体字の中国語で、方言や感情の指示も使いたい:CosyVoice 3。繁体字をほぼそのまま入力でき、広東語や四川語、話す速さ、感情も一言で指定できます。
- CPU しかない:CosyVoice 3 はクローン音声での 1 文の生成に約 2 分、Qwen3-TTS は 4 分半以上かかるので、CPU だけなら CosyVoice 3 のほうが実用的です。
ほかの人の声をクローンしてもいい?
技術的には、明瞭な録音さえあれば可能です。ただし、クローンするのは自分の声か、本人の同意を得た声だけにしてください。Apache-2.0 ライセンスで商用利用が認められているのはモデルそのものであって、誰の声でも自由に使えるという意味ではありません。有名人の声は人格権で守られていますし、他人の声で本人が言っていないことを言わせれば、詐欺や名誉毀損にあたるおそれもあります。
よくある質問
Qwen3-TTS は商用利用できる?
できます。Qwen3-TTS のモデルも音声トークナイザーも Apache-2.0 ライセンスです。ただし、参照音声は自分の声か、本人の同意を得た声でなければいけません。
NVIDIA の GPU がなくても Qwen3-TTS をローカルで動かせる?
動かせます。0.6B なら CPU でも動きますが、ボイスクローンは 1 文に数分かかります。Intel Core Ultra の内蔵 GPU や Arc の GPU があれば、XPU 版の PyTorch を入れて device_map を "xpu" に変えるだけです。私のノート PC では、クローンした声で 6 秒のセリフを生成するのに約 16〜18 秒かかり、CPU の 10 倍以上速くなりました。
Qwen3-TTS は日本語に対応している?
対応しています。日本語は 10 言語のうちの 1 つで、日本語を母語とするプリセット音声 Ono_Anna もあります。中国語の録音からクローンした私の声で日本語を話させたところ、音声認識で書き起こした内容も完全に一致していました。
Qwen3-TTS は中国語の方言を話せる?
公式に対応している 10 言語には、広東語や閩南語は入っていません。プリセット音声の方言も、北京語(Dylan)と四川語(Eric)だけです。広東語が必要なら、指示で広東語を指定できる CosyVoice 3 を検討するとよいでしょう。
Qwen3-TTS の 0.6B と 1.7B の違いは?
1.7B には VoiceDesign(文章で声をデザインする機能)があり、CustomVoice でも指示で口調を制御できます。0.6B にあるのはボイスクローンとプリセット音声だけです。どちらのサイズも 10 言語に対応しています。
Qwen3-TTS のボイスクローンに必要な録音の長さは?
公式には 3 秒でクローンできるとされています。私は 8 秒の録音に、一字一句正確な書き起こしを付けて使いました。静かな場所で、1 人だけが話している音声を録音してください。
まとめ:Intel 内蔵 GPU でもボイスクローンができる
全体比較の記事を書いたときは、NVIDIA の GPU がなければ Qwen3-TTS で声をクローンするのは無理だと思っていました。Intel 内蔵 GPU に切り替えたら、同じ 1 文の生成時間が 4 分半以上から 16〜18 秒になり、変えたのは device_map というパラメータ 1 つだけです。Core Ultra のノート PC を持っているなら、ぜひ試してみてください。
Qwen3-TTS を試してみた方や、Intel 内蔵 GPU でほかの AI モデルを動かしたことがある方は、ぜひ Threads や X でコメントをお寄せください。

