ComfyUIのQwen3-TTSで作る無料のAIナレーション:9種類の声、ボイスデザイン、クローン

ステータス: ローカルで検証済み. 4つのワークフローはすべて、手元のRTX 3080ノートPCで動作しています。実際のRunPod Podでの初回起動はまだ検証していません。検証でき次第、このガイドを更新します。

トーキングアバター、解説動画、ゲームの台詞には、どれもナレーションが必要です。AlibabaのQwenチームによるQwen3-TTSは、9種類の組み込み音声、文章の説明からのボイスデザイン、ボイスクローンを備えたオープンなテキスト音声合成モデルです。主に自分のアバター動画用のナレーションを作るために、これをComfyUIで動かすテンプレートを作りました。

ComfyUIにはQwen3-TTS用のノードが標準でないため、テンプレートにはQwen公式のqwen-ttsパッケージを動かす小さなノードパックが含まれています。サイドバーに4つのワークフローが並び、それぞれ動作するデフォルト値が入っているので、最初の実行では何も入力する必要がありません。すべてGitHubにあります。

ポイント

オープンソース: モデルは商用利用を認めるApache-2.0で公開されています。
9種類の組み込み音声、それぞれが10言語を話せます。
説明から声をデザインするか、3〜20秒の録音からクローンできます。
どんな長さの原稿も、自動で分割して再結合されます。
8GB以上のGPUで動作します。モデルは合計約13.6GBで、40GBのボリュームを使ってください。

9種類の組み込み音声

声	母語	特徴
Ryan	英語	ダイナミックな男性、強いリズム
Aiden	英語	明るいアメリカ人男性、澄んだ中音域
Vivian	中国語	明るく、少し尖った若い女性
Serena	中国語	温かく穏やかな若い女性
Uncle_Fu	中国語	経験豊かな男性、低くまろやか
Dylan	中国語(北京)	若々しい北京の男性
Eric	中国語(四川)	活発な成都の男性、少しハスキー
Ono_Anna	日本語	陽気で軽やかな女性
Sohee	韓国語	温かく感情豊かな女性

どの声も、対応する10言語(英語、中国語、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)をすべて話せますが、母語が最も自然に聞こえます。スタイルの指示で、どの声も方向付けできます。

テンプレートにはボイスプールが付属しています。各組み込み音声の参照クリップと正確な書き起こしが合計16個、ComfyUI/input/voices/に入っています。何かをレンダリングする前に、JupyterLabで聞いて声を選んでください。

4つのワークフロー

ワークフロー	モデル	内容
1. 組み込み音声	CustomVoice	9つの声のいずれかが、選んだ言語とスタイルで原稿を読みます
2. ボイスデザイン	VoiceDesign	声を説明します(「30代の穏やかで温かいナレーター」)。サンプルを話し、ボイスプールに保存します
3. ボイスクローン	Base	プール内の任意の声が、最初から最後まで一貫して原稿全体を読みます
4. 自分の声を追加	なし	自分の録音とその書き起こしをボイスプールに追加します

ワークフロー2、3、4はボイスプールを介して連携します。声をデザインするか自分の録音を追加するとプールに入り、クローンワークフローがその声で原稿全体を読みます。完成したナレーションは.wavと.mp3の両方でoutput/voiceover/に保存され、Saveノード上でそのまま再生できます。

どんな長さの原稿でも

Qwen3-TTSの1回の呼び出しは2,048コーデックフレーム(約2.5分の音声)が上限で、長い単発の呼び出しはペースがずれていきます。そのためテンプレートは次のように処理します。

原稿を、文や段落の区切りで最大400文字ごとに分割します。
各部分を同じ声と同じシードでレンダリングします。
文の間に0.25秒、段落(原稿内の空行)の後に0.6秒の間を入れてつなぎます。

長い原稿でデザインした声を使う場合: ボイスデザインは各部分を説明からレンダリングするため、部分ごとに声が少し変わることがあります。解決策であり、Qwenも推奨する方法は、ワークフロー2で短いサンプルをデザインし、ワークフロー3で原稿全体にそれをクローンすることです。

自分の声: きれいな音声を3〜20秒録音し、話した内容を正確に書き起こして、ワークフロー4で両方を追加します。使用する権利のある声だけをクローンしてください。

ハードウェアと費用

3つの1.7Bモデルはそれぞれ約4GBのVRAMを必要とし、同時に読み込まれるのは1つだけなので、8GB以上のGPUなら動作します。音声は1トークンずつ生成されるため、動画ほど高速なGPUの恩恵は大きくありません。

私のRTX 3080ノートPCでは、ボイスプールのレンダリングは音声1秒あたり約5秒でした。デスクトップやデータセンターのGPUなら数倍高速です。
RunPodでは、$0.27/時のRTX A5000で十分です。これにRTX 5090を使う理由はありません。
ストレージ: 3つのモデルで約13.6GBです。40GBのネットワークボリュームは標準ストレージで月約2.80ドルです。

RunPodで実行する

40GBのネットワークボリュームを作成します。 テンプレートはボリュームなしでは動作せず、モデルと声がセッションをまたいで残ります。
ボリュームを接続して、8GB以上のGPUにテンプレートをデプロイします。
初回起動時はログを確認します。Voice pool: 16 clips、モデルのダウンロード、そしてSetup complete!を待ちます。
ComfyUI(ポート8188)を開き、Workflowsサイドバーからワークフローを選びます。
JupyterLab(ポート8888)で、ボイスプールを聞いたり、ナレーションをダウンロードしたりします。

2回目以降の起動では、インストール済みのものはすべてスキップされます。ネットワークボリュームやPodが初めてなら、RunPod入門で基本を説明しています。

セキュリティに関する注意: JupyterLabはデフォルトでログインなしで動作するため、PodのURLを知っている人は誰でもシェルを使えます。クライアント作業では、デプロイ時にJUPYTER_NO_AUTH=0とJUPYTER_PASSWORDを設定してください。

テンプレート制作者向け

このテンプレートを使うのではなく、自分でRunPodテンプレートを作る場合のために、リポジトリで最も時間がかかった点をいくつか挙げます。

ベースイメージはrunpod/comfyui:1.4.0-comfyuiv0.35.0-cuda12.8で、コンテナディスクは5GB、ネットワークボリュームは/workspaceにマウントされます。
qwen-tts 0.1.1は、イメージに含まれるtransformers 5.xではインポートに失敗します。テンプレートはComfyUIの環境でtransformers 4.57.3に固定し、起動のたびに確認します。
起動コマンドはGitHubとHugging FaceのDNSを確認し、必要なら公開リゾルバーにフォールバックして、cloneを最大10回再試行します。

RunPodは初めてですか?私の紹介リンクから、Googleでサインアップした新規アカウントは最初の10ドルの利用後に5〜500ドル分のクレジットを受け取れ、私には少額の紹介報酬が入ります。

クレジット:Qwen3-TTSはAlibaba Qwenチーム(Apache-2.0)。テンプレート、ノード、ワークフローは私が作成し、GitHubで無料公開しています。

よくある質問

Qwen3-TTSは商用利用が無料ですか?

モデルはApache-2.0ライセンスで公開されており、商用利用が認められています。クローンは別の問題で、使用する権利のある声だけをクローンしてください。

Qwen3-TTSはどの言語に対応していますか?

英語、中国語、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、イタリア語です。組み込みのどの声も、この10言語すべてを話せます。

ナレーションの長さはどのくらいまで可能ですか?

制限はありません。テンプレートが原稿を文や段落の区切りで分割し、同じ声と同じシードで各部分をレンダリングして、自然な間を入れてつなぎます。

必要なGPUは何ですか?

VRAMが8GB以上のGPUなら動きます。RunPodならRTX A5000で十分です。

RunPodではなくローカルで動かせますか?

はい。ComfyUIノードとワークフローはGitHubリポジトリにあり、8GBのノートPC用GPUで動作します。

Anton Tenitsky はコンピュータグラフィックスで15年以上の経験を持つ3Dアーティストで、Nickelodeon、Gameloft、Marvel Rivalsをはじめ多くのクライアントと仕事をしてきました。プロフィールを見る