Qwen3-TTS 統合

Alibaba の Qwen3-TTS をローカルで実行し、高品質な多言語テキスト読み上げを利用します。このガイドでは、Libre WebUI に含まれる OpenAI 互換 TTS サーバーのセットアップ方法を説明します。

概要

Qwen3-TTS は、次の機能を備えた高度なテキスト読み上げシステムです。

英語、中国語、日本語、韓国語をカバーする 9 種類の組み込み音声
ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語、ロシア語を含む 10 言語への対応
3 秒の音声サンプルからの ボイスクローニング
自然言語の説明を使う 音声デザイン
感情と韻律を調整する 指示制御

同梱サーバーは Qwen3-TTS を OpenAI 互換 API でラップしているため、Libre WebUI の標準プラグインシステムから利用できます。

要件

コンポーネント	最小	推奨
Python	3.12+	3.12（3.14 は不可）
GPU VRAM	4GB（0.6B モデル）	8GB+（1.7B モデル）
RAM	8GB	16GB+
ディスク	5GB	10GB

対応プラットフォーム

プラットフォーム	バックエンド	備考
NVIDIA GPU	CUDA	最高のパフォーマンス、bfloat16 対応
Apple Silicon	MPS	メモリ効率を重視する場合は 0.6B モデルを使用
CPU	PyTorch	低速。0.6B モデルを使用

Apple Silicon ユーザー

Mac では、メモリ不足を避けるため customvoice-0.6b モデルのバリアントを使用してください。ユニファイドメモリが 16GB のマシンでは、1.7B モデルによってシステムが不安定になる可能性があります。

クイックスタート

1. サーバーをインストールする

cd examples/qwen-tts-server

# Create virtual environment (Python 3.12 required)
python3.12 -m venv venv
source venv/bin/activate  # Linux/macOS
# or: venv\Scripts\activate  # Windows

# Install dependencies
pip install -r requirements.txt

2. サーバーを起動する

# NVIDIA GPU (recommended)
python server.py --model customvoice-1.7b

# Apple Silicon
python server.py --model customvoice-0.6b

# CPU (slower)
python server.py --model customvoice-0.6b

サーバーは既定で http://localhost:8100 で動作します。

3. Libre WebUI を設定する

プラグインは plugins/qwen-tts.json にあらかじめ設定されています。設定 → プラグイン → Qwen3 TTS で有効にしてください。

4. 動作を確認する

curl http://localhost:8100/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "qwen3-tts", "input": "Hello, welcome to Libre WebUI!", "voice": "Ryan"}' \
  --output speech.wav

利用可能なモデル

モデル	サイズ	用途
`customvoice-1.7b`	~3.5GB	指示制御に対応した組み込み音声
`customvoice-0.6b`	~1.5GB	VRAM が限られる環境向けの軽量バリアント
`voicedesign-1.7b`	~3.5GB	テキストの説明から音声を作成
`base-1.7b`	~3.5GB	3 秒のサンプルからボイスクローニング
`base-0.6b`	~1.5GB	軽量なボイスクローニング

音声

組み込み音声（CustomVoice モデル）

音声	言語	説明
Ryan	英語	男性、明瞭で自然
Aiden	英語	男性、温かみのある声
Vivian	中国語	女性、プロフェッショナル
Serena	中国語	女性、親しみやすい
Uncle_Fu	中国語	男性、落ち着いた大人の声
Dylan	中国語	男性、北京方言
Eric	中国語	男性、四川方言
Ono_Anna	日本語	女性
Sohee	韓国語	女性

OpenAI 音声エイリアス

OpenAI TTS クライアントとの互換性のため、サーバーは OpenAI の音声名を次のように割り当てます。

OpenAI の音声	割り当て先
`alloy`	Ryan
`echo`	Aiden
`fable`	Vivian
`onyx`	Uncle_Fu
`nova`	Serena
`shimmer`	Ono_Anna

API リファレンス

音声の生成

エンドポイント： POST /v1/audio/speech

{
  "model": "qwen3-tts",
  "input": "Text to convert to speech",
  "voice": "Ryan",
  "response_format": "wav",
  "instruct": "Speak with enthusiasm",
  "language": "English"
}

パラメーター	型	既定値	説明
`model`	string	`qwen3-tts`	モデル識別子
`input`	string	required	合成するテキスト（最大 10,000 文字）
`voice`	string	`ryan`	音声名（上の表を参照）
`response_format`	string	`wav`	音声形式（対応は `wav` のみ）
`instruct`	string	`""`	感情/韻律の指示
`language`	string	auto-detect	言語検出を上書き

レスポンス： 音声ファイル（audio/wav）

音声デザイン

エンドポイント： POST /v1/audio/voice-design

自然言語の説明からカスタム音声を作成します。

{
  "model": "qwen3-tts-voicedesign",
  "input": "Welcome to our service.",
  "voice_description": "A warm, friendly female voice with a slight British accent",
  "language": "English"
}

注記

voicedesign-1.7b モデルを読み込む必要があります。

ボイスクローニング

エンドポイント： POST /v1/audio/voice-clone

3 秒以上の音声サンプルから声を複製します。

curl -X POST http://localhost:8100/v1/audio/voice-clone \
  -F "input=Hello, this is my cloned voice." \
  -F "reference_audio=@reference.wav" \
  -F "reference_text=This is what was said in the reference." \
  --output cloned.wav

パラメーター	型	説明
`input`	string	合成するテキスト
`reference_audio`	file	3 秒以上の音声サンプル
`reference_text`	string	参照音声の文字起こし

注記

base-1.7b または base-0.6b モデルを読み込む必要があります。

音声一覧

エンドポイント： GET /v1/voices

{
  "voices": [
    {"id": "ryan", "name": "Ryan", "language": "English"},
    {"id": "aiden", "name": "Aiden", "language": "English"},
    ...
  ]
}

ヘルスチェック

エンドポイント： GET /health

{ "status": "healthy", "model_loaded": true }

サーバー設定

python server.py [OPTIONS]

オプション	既定値	説明
`--host`	`0.0.0.0`	バインドするホスト
`--port`	`8100`	バインドするポート
`--model`	`customvoice-1.7b`	読み込むモデルバリアント

ネットワークアクセス

ネットワーク上のほかのマシンからサーバーへアクセスするには、次のようにします。

# Start server on all interfaces
python server.py --host 0.0.0.0 --port 8100

# Access from another machine
curl http://192.168.1.100:8100/v1/audio/speech ...

plugins/qwen-tts.json のプラグインエンドポイントを更新します。

{
  "endpoint": "http://192.168.1.100:8100/v1/audio/speech",
  "capabilities": {
    "tts": {
      "endpoint": "http://192.168.1.100:8100/v1/audio/speech"
    }
  }
}

本番運用向け機能

テキストのサニタイズ

モデルの停止を防ぐため、サーバーは入力テキストを自動的にサニタイズします。

絵文字と記号を削除
Markdown の書式（*bold*、_italic_ など）を除去
繰り返し文字を短縮（FUUUUU → FUU）
ト書き（*(action)*、(whispers)）を削除
空白を正規化

テキストの分割

長いテキストは文の境界で自動的に分割されます。

1 チャンクあたり最大 500 文字
1 チャンクあたり 30 秒のタイムアウト
失敗したチャンクはスキップし、残りを続行
チャンクを 1 つの音声レスポンスに連結

これにより、自然な音声の流れを保ちながら、長い AI 応答でのタイムアウトを防ぎます。

マルチ GPU 構成

複数の GPU を搭載するシステムでは、tensor device の不一致を避けるため、サーバーは単一 GPU での実行を強制します。

device_map = {"": "cuda:0"}  # Uses first GPU only

特定の GPU を使用するには、次のようにします。

CUDA_VISIBLE_DEVICES=1 python server.py --model customvoice-1.7b

トラブルシューティング

モデルのダウンロードに失敗する

モデルは初回起動時に Hugging Face からダウンロードされます。失敗する場合は、次を試してください。

# Set Hugging Face token for gated models
export HF_TOKEN=hf_...

# Or download manually
huggingface-cli download Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice

メモリ不足（Apple Silicon）

RuntimeError: MPS backend out of memory

小さいモデルバリアントを使用します。

python server.py --model customvoice-0.6b

CUDA のメモリ不足

torch.cuda.OutOfMemoryError: CUDA out of memory

GPU を使うほかのアプリケーションを終了します。
0.6B モデルのバリアントを使用します。
server.py のチャンクサイズを小さくします（max_chunk_size=300）。

サーバーがタイムアウトする

長いテキストの生成がタイムアウトする場合：

サーバーはテキストを自動的に分割し、残りのチャンクを続行します。
どのチャンクがタイムアウトしたか、サーバーログで確認します。
入力テキストを短くすることを検討します。

音声が不自然

音節が繰り返される： 通常は絵文字や特殊文字が原因です。サニタイザーで自動的に処理されるはずです。
言語が違う： リクエストで language パラメーターを明示的に設定します。
間が不自然： テキストが不適切な境界で分割されている可能性があります。通常と異なる句読点がないか確認してください。

プラグイン設定

同梱プラグイン（plugins/qwen-tts.json）：

{
  "id": "qwen-tts",
  "name": "Qwen3 TTS",
  "type": "tts",
  "endpoint": "http://localhost:8100/v1/audio/speech",
  "auth": {
    "header": "",
    "key_env": ""
  },
  "model_map": [
    "qwen3-tts",
    "qwen3-tts-customvoice",
    "qwen3-tts-voicedesign",
    "qwen3-tts-clone"
  ],
  "capabilities": {
    "tts": {
      "endpoint": "http://localhost:8100/v1/audio/speech",
      "model_map": [
        "qwen3-tts",
        "qwen3-tts-customvoice",
        "qwen3-tts-voicedesign",
        "qwen3-tts-clone"
      ],
      "config": {
        "voices": [
          "Ryan",
          "Aiden",
          "Vivian",
          "Serena",
          "Uncle_Fu",
          "Dylan",
          "Eric",
          "Ono_Anna",
          "Sohee"
        ],
        "default_voice": "Ryan",
        "formats": ["wav"],
        "default_format": "wav",
        "max_characters": 10000,
        "supports_streaming": false,
        "no_auth_required": true
      }
    }
  },
  "description": "Qwen3-TTS local TTS server (NVIDIA CUDA, Apple MPS, or CPU)",
  "documentation_url": "https://github.com/QwenLM/Qwen3-TTS"
}

リソース

Qwen3-TTS GitHub - 公式リポジトリ
Qwen3-TTS デモ - オンラインで試す
Alibaba Cloud TTS ドキュメント - Cloud API ドキュメント

概要​

要件​

対応プラットフォーム​

クイックスタート​

1. サーバーをインストールする​

2. サーバーを起動する​

3. Libre WebUI を設定する​

4. 動作を確認する​

利用可能なモデル​

音声​

組み込み音声（CustomVoice モデル）​

OpenAI 音声エイリアス​

API リファレンス​

音声の生成​

音声デザイン​

ボイスクローニング​

音声一覧​

ヘルスチェック​

サーバー設定​

ネットワークアクセス​

本番運用向け機能​

テキストのサニタイズ​

テキストの分割​

マルチ GPU 構成​

トラブルシューティング​

モデルのダウンロードに失敗する​

メモリ不足（Apple Silicon）​

CUDA のメモリ不足​

サーバーがタイムアウトする​

音声が不自然​

プラグイン設定​

リソース​

概要

要件