Qwen3-TTS をかんたんに使える音声合成ツール
Qwen3-TTS による音声クローン合成を、面倒な環境構築なしで利用できるツールです。 インストーラから導入して exe を起動するだけで、Python環境の構築からモデルのダウンロードまですべて自動で行われます。
デスクトップGUIで声の登録と音声合成・WAVファイル保存ができるほか、VOICEVOX互換APIも備えているためVOICEVOX対応アプリからも利用できます。
- 環境構築不要 — exe起動でPython・PyTorch・モデルのセットアップがすべて自動
- デスクトップGUIで完結 — ボイス登録・音声合成・再生・WAV保存がGUIだけでOK
- 複数話者 — 声のサンプルを複数登録して、話者を切り替えて使える
- VOICEVOX互換API — PPVoice 、AviUtl、YMM4 などのVOICEVOX対応アプリからそのまま接続可能
- 完全ローカル動作 — 音声合成はすべてPC上で実行。テキストや音声データが外部に送信されることはありません
- Windows 11 (64bit)
- NVIDIA GPU (VRAM 6GB以上推奨、CUDA 12.4 対応ドライバ)
- GPUがない場合はCPUで動作しますが、合成速度が大幅に遅くなります
- ストレージ空き容量 約10GB (PyTorch + CUDA ~5GB、音声合成モデル ~4.5GB)
- インターネット接続 (初回起動時に環境構築・モデルダウンロードを自動実行するため)
Releases から最新の SelfVox-Setup.exe をダウンロードして実行してください。
Windows SmartScreen の警告について インストーラにコード署名がないため、「WindowsによってPCが保護されました」と表示されることがあります。 「詳細情報」→「実行」をクリックするとインストールを続行できます。
アップグレードする場合 既存バージョンをアンインストールしてから再インストールしてください。 Python環境から実行している場合は
.venvを削除してpip install -r requirements.txtで再作成してください。
SelfVox.exe をダブルクリックします。
GUIウィンドウが表示されるので、Start Server をクリックしてサーバーを起動します。
初回起動時は Python環境の構築 (インストーラ版) と Qwen3-TTS モデルのダウンロード (~4.5GB) が自動で行われます。進捗はポップアップで表示されます。2回目以降はすぐにサーバーが起動します。
ポート番号について SelfVox は VOICEVOX と同じポート番号 (
50021) を使用します。VOICEVOX が起動している状態では SelfVox を起動できません。SelfVox を使う場合は、先に VOICEVOX を終了してください。
クローンしたい声の短い音声ファイル (WAV) と、その書き起こしテキストを用意してください。
- 長さは 5〜15秒 程度
- できるだけ ノイズが少なく高音質 なもの
- 音声の先頭や末尾が 途中で途切れていないもの (ぶつ切りの音声は生成結果にノイズが入る原因になります)
- テキストは音声の内容と 正確に一致 させてください
注意: 他者の声を無断で使用することは、肖像権やパブリシティ権の侵害となる場合があります。リファレンス音声には 自分の声 または 使用許諾を得た音声 を使用してください。
GUIの ボイス管理 タブで:
- ボイス名 を入力
- リファレンス音声 の「ファイル選択」で用意した音声ファイルを選択
- リファレンスのテキスト に書き起こしテキストを入力
- 言語 を選択
- 保存 をクリック
ボイス登録はサーバー停止中でも可能です。
GUIの 音声合成 タブで:
- スピーカー を選択
- テキストを入力
- 必要に応じて 速度 / 音量 スライダーを調整
- 合成 をクリック → 自動で再生されます
- WAV保存 でファイルに保存できます
POST http://localhost:50021/audio_query?text=こんにちは&speaker=0
POST http://localhost:50021/synthesis?speaker=0
VOICEVOX対応アプリの接続先URLに http://localhost:50021 を設定してください。
動作確認済み:
- PPVoice — PowerPoint読み上げ・字幕生成
未検証 (VOICEVOX互換APIに対応しているアプリ):
- YMM4 (ゆっくりムービーメーカー4) — 動画編集・実況
- AviUtl + AoiSupport — 動画編集
- Recotte Studio — 実況動画作成
- わんコメ (OneComme) — 配信コメント読み上げ
- 棒読みちゃん + SAPI For VOICEVOX — テキスト読み上げ
- ゆかりねっとコネクターNEO — リアルタイム字幕・翻訳
| エンドポイント | メソッド | 説明 |
|---|---|---|
/ |
GET | ボイス管理画面 (Web UI) |
/speakers |
GET | スピーカー一覧 |
/audio_query |
POST | 音声クエリ作成 |
/synthesis |
POST | 音声合成 (WAV) |
/manage/voices |
GET | 登録済みボイス一覧 |
/manage/voice |
POST | ボイス登録 |
/manage/voice/{name} |
DELETE | ボイス削除 |
/manage/reload |
POST | ボイス一覧の再読み込み |
SelfVox はオープンソースの音声合成モデル Qwen3-TTS を使用しています。 モデルは初回起動時に元のリポジトリから自動でダウンロードされます。 SelfVox がモデルを配布・改変することはありません。