1
2
3

python3 -m venv .venv
source .venv/bin/activate
pip install -U qwen-tts soundfile

1

Warning: flash-attn is not installed. Will only run the manual PyTorch version.

1
2

# キャッシュの確認
ls -la ~/.cache/huggingface/hub/ | grep -i qwen

1

rm -rf ~/.cache/huggingface/hub/models--Qwen--Qwen3-TTS-*

1

落ち着いた若い男性の声。少し低めで穏やか。

1

若い女性。声は高すぎず、少し息成分がある。控えめで緊張している。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# VoiceDesignモデルをロード（Mac MPS）
model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign",
    device_map="mps",
    dtype=torch.float16,
)

# 日本語で試す
wavs, sr = model.generate_voice_design(
    text="こんにちは、これはMacでの音声合成テストです。",
    language="Japanese",
    instruct="落ち着いた若い男性の声。少し低めで穏やか。",
)

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

1
2
3
4
5
6
7
8

# 落ち着いたナレーター
instruct = "落ち着いた中年男性。声は低めで安定している。ゆっくり話す。"

# 元気な若い女性
instruct = "元気な若い女性。声は明るく高め。テンポは早め。"

# 緊張しているキャラクター
instruct = "若い女性。声は高すぎず、少し息成分がある。控えめで緊張している。語尾は弱め。"

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61

import torch
import soundfile as sf
from qwen_tts import Qwen3TTSModel

# Step 1: VoiceDesignで参照音声を生成
print("Step 1: Loading VoiceDesign model...")
design_model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign",
    device_map="mps",
    dtype=torch.float16,
)

ref_text = "えっと……その、ちょっとだけ相談があるんですが……。"
ref_instruct = (
    "若い女性。声は高すぎず、少し息成分がある。"
    "控えめで緊張しているが、話しているうちに少しずつ落ち着く。"
)

ref_wavs, sr = design_model.generate_voice_design(
    text=ref_text,
    language="Japanese",
    instruct=ref_instruct,
)
sf.write("ref_voice.wav", ref_wavs[0], sr)
print("Reference audio saved: ref_voice.wav")

# メモリ解放
del design_model
torch.mps.empty_cache()

# Step 2: Baseモデルで声プロンプトを作成
print("Step 2: Loading Base model for cloning...")
clone_model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-0.6B-Base",
    device_map="mps",
    dtype=torch.float32,  # ⚠️ float32が必須！
)

voice_clone_prompt = clone_model.create_voice_clone_prompt(
    ref_audio=(ref_wavs[0], sr),
    ref_text=ref_text,
)

# Step 3: クローンした声で量産
print("Step 3: Generating speech with cloned voice...")
lines = [
    "あ、ありがとうございます。少し安心しました。",
    "じゃあ、まず状況を整理してもいいですか？",
    "……うん。たぶん、今なら言えます。",
]

for i, line in enumerate(lines):
    wavs, sr = clone_model.generate_voice_clone(
        text=line,
        language="Japanese",
        voice_clone_prompt=voice_clone_prompt,
    )
    sf.write(f"clone_line_{i}.wav", wavs[0], sr)
    print(f"  clone_line_{i}.wav saved")

print("Done!")