Qwen3-TTSをMacで検証：音声クローンを業務に使う前の評価項目

Qwen3-TTSで音声クローンを作るとき、サンプルの声が似ているかだけでは、業務に使えるかを判断できません。社内マニュアルの読み上げと、利用者に即座に返答する音声対話では、許容できる待ち時間も確認方法も違います。

この記事では、筆者がApple Silicon搭載Macで試した既存の検証記録をもとに、企業で音声合成を試す際の評価手順を整理します。前半の数値は元の検証時点の記録で、2026年10月に再測定した結果ではありません。後半の評価表は、これから導入を検討するための提案です。

Qwen3-TTSで何を作るかを先に決める

TTSはテキストを音声に変換する技術です。音声クローンは、その出力を参照音声の話者に近づける使い方です。Qwenチームの公式リポジトリでは、音声合成・音声デザイン・音声クローンの機能と利用例が公開されています。利用するモデルや実行方法は公式の説明で確認できます。

業務の候補は、研修動画のナレーション、操作手順の読み上げ、窓口での音声案内などです。ただし、これは用途の候補であり、今回それぞれの業務に導入して成果を測ったわけではありません。最初の検証では対象を一つに絞ると、音質と処理速度の合否を決めやすくなります。

Macでの検証記録：声の再現と処理時間は別に評価する

元の検証では、37秒の自分の音声を参照として音声クローンを作りました。生成テキストは約50文字、出力音声は9.19秒、モデル読み込みを含む実行時間は約38秒でした。筆者には本人に近い声に聞こえましたが、第三者による聞き分け試験をした結果ではありません。

38秒を9.19秒で割ると約4.1です。ただし、読み込み込みの処理時間と音声の長さの比なので、モデル単体の定常時の速度評価には使えません。この記録だけでリアルタイム対話に十分な速度だと判断することもできません。

元の検証では、参照音声から作ったプロンプトの再利用や、モデルの軽量化、返答テキストの短縮も試しています。1.7Bから0.6Bへの変更と、LLMの返答を30文字以内に制限する変更を組み合わせた際、音声生成の待ち時間は13〜23秒から5〜10秒になったと記録されています。複数の条件を同時に変えているため、改善をモデルサイズだけの効果とは扱えません。

導入判断のために、次に測りたい項目

今回の記録を次の試験につなげるなら、起動直後と継続稼働中を分け、同じ原稿と設定で繰り返し測る方法が考えられます。以下は新しい測定結果ではなく、試験用の記録項目案です。

例えばマニュアルなら、社内で実際に使う略語、金額、日付、注意事項を含む原稿が判断材料になります。対話なら、文章全体ができるまでの時間だけでなく、利用者が声を聞き始めるまでの時間が必要です。合格ラインは一律の秒数を置かず、対象業務の担当者と先に決めると試験の目的がぶれません。

ローカル実行でも、データ管理と運用費用は残る

音声生成を端末内で完結させる構成は、外部サービスに送るデータを減らす選択肢になります。ただし、モデルの取得、接続するLLM、ログ保存、バックアップまで含めて通信先を確認しなければ、システム全体が外部送信しないとは言えません。

費用も推論APIの利用料だけでは比較できません。端末の購入、電力、保守、原稿を直す時間、生成音声を確認する時間を含めて考える必要があります。今回の検証では総費用や削減工数は測定していません。

声を扱う運用では、誰の音声を何に使うか、参照音声・生成音声を誰が保存するかを決めます。本人以外の音声や配布コーパスを使う場合は、その用途に合う許諾・利用条件を個別に確認する作業が必要です。本記事は特定の素材について商用利用の可否を保証するものではありません。

小さな試験から、音声を使う業務全体へ

構成を考えるときは、音声合成だけでなく原稿作成と確認までを一つの流れにすると、担当と費用を整理できます。

原稿を用意 → 読み上げ条件を設定 → 音声を生成 → 人が試聴 → 修正・承認 → 配布

Qwen3-TTSをまず試すなら、このうち「原稿から音声を作り、聞いて直す」範囲が出発点になります。音声対話まで広げる場合の関連検証は、Macでのローカル音声AIの記事で紹介しています。

環境構築やコードの経緯は筆者のQiita検証記事に残しています。本記事はその記録をもとに、導入評価の観点を加えて再編集したものです。新たなベンチマークは行っていません。

JQITのAIソリューション事業では、AIを組み込む業務の整理から開発・運用まで相談を受け付けています。音声を使う目的、処理する情報、必要な応答速度が決まっていると、試験範囲を具体化しやすくなります。