Qwen3-TTSとは｜使い方・日本語対応・商用利用【2026年8月】

「オープンソースで無料なら、社内のマニュアル音声化に使えないか試してほしいんです」

先日、ある研修先の情報システム部門の担当者からこんな相談を受けました（想定例）。海外拠点向けに日本語のマニュアルを多言語ナレーション化したいものの、外部の音声SaaSを契約すると月々のクレジット課金が発生し、社内稟議に時間がかかる。「まずは無料で、自社サーバーの中だけで動かせるものを検証したい」という要望でした。

そこで候補に挙がったのがQwen3-TTSです。Alibaba CloudのQwenチームが2026年1月に公開したオープンソースのテキスト読み上げモデルで、モデルの重み（weights）自体がApache 2.0ライセンスで無料公開されているため、API課金を気にせず自社環境に組み込んで検証できるのが最大の特徴です。ただし「qwen3-tts 商用利用」「qwen3-tts ライセンス」で検索されることが多いことからもわかる通り、「オープンソース＝何をしても自由」という誤解に基づく質問も少なくありません。実際に100社以上のAI研修・コンサルティングを行う中で、「ライセンスがApache 2.0だから、社員の声を無断でクローンしても問題ないと思っていた」という声も聞きます（想定例）。

この記事では、Qwen3-TTS公式GitHubリポジトリ・Hugging Faceモデルカードを一次情報として確認したうえで、Qwen3-TTSとは何か、できること、日本語対応の実力、ブラウザ・ローカル・APIそれぞれの使い方、そしてライセンスと商用利用で見落としがちな注意点までを、2026年8月時点の情報でまとめます。

Qwen3-TTSとは — Alibaba Qwenチームが公開したオープンソース音声合成モデル

Qwen3-TTS（クウェン3ティーティーエス）は、Alibaba CloudのAI研究チーム「Qwen」が開発し、2026年1月22日に技術レポートとともに公開したテキスト読み上げ（Text-to-Speech）モデルの一群です。公式GitHubリポジトリ（QwenLM/Qwen3-TTS）とHugging Face（Qwen組織）でモデルの重みが公開されており、いずれもApache 2.0ライセンスです（参照：QwenLM/Qwen3-TTS GitHub、Hugging Face公式モデルカード）。

技術的な特徴としては、「Dual-Track（デュアルトラック）」と呼ばれるハイブリッドストリーミング方式を採用しており、公式は「エンドツーエンドの合成レイテンシが最低97ミリ秒」と説明しています（参照：QwenLM/Qwen3-TTS公式GitHub）。この数値はストリーミング生成時の理論値であり、実際の生成時間はテキストの長さや使用するGPUの性能によって変動する点には注意してください。

研修の場では「Qwen3-TTSって、ChatGPTの音声みたいなものですか？」と聞かれることがあります（想定例）。近い部分もありますが、決定的に違うのはモデルの重みそのものが公開されていて自分のサーバーで動かせる点です。ElevenLabsのようなクラウドSaaSと違い、外部にテキストを送信せず自社環境で完結させられることが、企業がQwen3-TTSを検討する最大の動機になっています。

できること｜声のクローン・音声デザイン・9種類のプリセットボイス

Qwen3-TTSは用途別に3つの使い方が用意されています。公式GitHubリポジトリによると次のとおりです。

プリセットボイスのうち「Ono_Anna」は日本語系の声として公式リポジトリで案内されており、日本語ナレーション用途で最初に試す候補になります。ただし各声の詳細な音質・年齢層・トーンの説明までは公式リポジトリに記載がなく、実際に生成して聴いてみる以外に判断材料がない点は留意してください。

音声クローンは、話者の声を保存した「Base」モデルに参照音声（reference audio）と、その内容の文字起こし（reference text）を渡すことで実現します。学習済みのプリセット話者だけでなく、任意の音声を数秒分渡すだけでその声を再現できる設計です。

日本語対応の実力｜10言語対応の1つとして公式にサポート

Qwen3-TTSは中国語・英語・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・イタリア語の10言語に対応しています（参照：QwenLM/Qwen3-TTS公式GitHub、Hugging Faceモデルカード）。日本語は対応言語リストに明記されており、公式のプリセットボイスにも日本語系の「Ono_Anna」が含まれています。

一方で、日本語の読み上げ品質（イントネーションの自然さや固有名詞の読み精度）について、公式が定量的なベンチマーク数値を日本語限定で公開しているかは確認できませんでした（2026年8月時点）。日本語ユーザーによる検証記事は複数見つかりますが、いずれも個人による非公式な検証であり、公式の品質保証ではない点を区別して理解しておく必要があります。研修先のエンジニアが実際にローカル環境で日本語テキストを生成してみたところ、「思ったより自然に読めるが、固有名詞は英語やカタカナ表記に置き換えて渡した方が安定する」という感触だったと共有してくれたことがあります（想定例）。実務で使う場合は、ElevenLabsの日本語運用と同様に、固有名詞や専門用語の読み方をあらかじめ調整した原稿を用意し、生成後に必ず人間が試聴する運用を前提にするのが安全です。

モデルバリエーションと実行環境｜0.6B・1.7Bの選び方

Qwen3-TTSは、音声を離散トークンに変換する共通の「Qwen3-TTS-Tokenizer-12Hz」を土台に、パラメータ数とタスクの異なる複数モデルが公開されています。

実行環境については、公式リポジトリはCUDA対応GPUでの利用を前提としており、FlashAttention 2の利用を推奨しています（参照：QwenLM/Qwen3-TTS公式GitHub）。VRAMの具体的な必要量は公式ドキュメントに明記されていませんが、モデル自体のファイルサイズが2.5GB〜4.5GB程度であることから、個人開発者による検証記事では数GB程度のVRAMで動作したとする報告が複数見られます。ただし、これらはあくまで非公式な検証結果であり、公式が推奨スペックとして保証しているものではない点は明記しておきます。「qwen3-tts mac」という検索も一定数あることから関心が高いようですが、公式にmacOS（Apple Silicon）への対応が明言されているかは確認できておらず、個人の検証記事レベルの情報にとどまります（2026年8月時点）。

使い方1｜ブラウザの公式デモで試す

インストールなしで試したい場合は、Qwen公式のHugging Face Spaces上のデモが用意されています。「Qwen/Qwen3-TTS」というSpaceで、話者を選んでの読み上げ、声のデザイン、音声クローンの3つを操作画面から試せます（参照：Hugging Face Spaces「Qwen/Qwen3-TTS」）。まずは自社のマニュアル原稿の一部を貼り付けて、日本語での読み上げ品質を確認するところから始めるのが手堅い進め方です。

使い方2｜ローカル環境にインストールして動かす

自社サーバーやGPU搭載PCで動かす場合は、公式が提供するPythonパッケージ「qwen-tts」をインストールします。

python -m venv qwen3-tts-env
source qwen3-tts-env/bin/activate
pip install -U qwen-tts

プリセットボイスで読み上げる「CustomVoice」の基本的な呼び出し方は次のとおりです。

from qwen_tts import Qwen3TTSModel
import torch

model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
    device_map="cuda:0",
    dtype=torch.bfloat16,
)
wavs, sr = model.generate_custom_voice(
    text="ここに読み上げたい日本語テキストを入れる",
    language="Japanese",
    speaker="Ono_Anna",
)
# wavs, sr をファイルに保存して試聴する

自然言語で声質を指定する「VoiceDesign」は、声そのものを一から作りたい場合に使います。

from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-1.7B-VoiceDesign")
wavs, sr = model.generate_voice_design(
    text="ここに読み上げたい日本語テキストを入れる",
    language="Japanese",
    instruct="30代後半、落ち着いたトーンの女性ナレーター。早口すぎず、フォーマルな話し方。",
)
# ※実在する特定の人物の声に似せる指示は行わないこと（意図せぬ肖像権侵害を避けるため）

既存の音声を数秒分クローンして使う「VoiceClone」は次のように呼び出します。参照音声の権利者本人の同意を得ていることが前提です。

from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained("Qwen/Qwen3-TTS-12Hz-1.7B-Base")
wavs, sr = model.generate_voice_clone(
    text="クローンした声で読み上げたい新しいテキスト",
    language="Japanese",
    ref_audio="reference.wav",   # 本人の同意を得た参照音声（3秒程度）
    ref_text="参照音声の内容の文字起こし",
)
# ※本人の書面同意を取得済みであることを事前に必ず確認すること

使い方3｜APIで呼び出す（DashScope）

自社サーバーにGPUを用意せず、クラウドAPI経由で使いたい場合は、Alibaba CloudのモデルプラットフォームDashScopeが「qwen3-tts-flash」「qwen3-tts-instruct-flash」といったモデルIDでホスト版のAPIを提供しています（参照：Alibaba Cloud Model Studioドキュメント）。DashScope経由のAPI呼び出しの基本形は次のとおりです（エンドポイント・料金体系は変更される可能性があるため、実装前に必ず公式ドキュメントの最新情報を確認してください）。

curl -X POST "https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/generation" 
  -H "Authorization: Bearer $DASHSCOPE_API_KEY" 
  -H "Content-Type: application/json" 
  -d '{
    "model": "qwen3-tts-flash",
    "input": {
      "text": "ここに読み上げたい日本語テキストを入れる",
      "voice": "Ono_Anna"
    }
  }'

ここで重要なのは、「自社サーバーで動かす無料のオープンウェイト版Qwen3-TTS」と「DashScope経由の有料ホスト型API」は別物という点です。さらにAlibaba Cloudは2026年7月20日に、より高品質な音声合成に特化した別製品「Qwen-Audio-3.0-TTS」（Flash/Plusの2段階、16言語対応）をDashScope経由で発表しています（参照：Alibaba Cloud公式発表を紹介する複数の技術メディア、2026年8月時点）。名前が似ているため混同されがちですが、こちらはオープンウェイトが公開されていないクローズドなホスト型モデルです。料金は執筆時点で複数の情報源の間で数値の食い違いが見られたため、本記事では具体的な単価を断定せず、契約前に必ずAlibaba Cloud公式のDashScope料金ページで最新の単価を確認することを推奨します。

ライセンスと商用利用の条件｜Apache 2.0の範囲と見落としがちな落とし穴

Qwen3-TTSのモデル群は、GitHub・Hugging Faceともにいずれも「Apache License 2.0」で公開されています（参照：QwenLM/Qwen3-TTS公式GitHub、Hugging Face各モデルカード）。Apache 2.0は商用利用・改変・再配布を許可する寛容なオープンソースライセンスで、ElevenLabsのように「無料プランは非商用限定、商用利用には有料プランへの加入が必要」といった利用範囲の制限は、ソフトウェアライセンスの観点では存在しません。

ただし、ここで研修先からよく受ける質問が「Apache 2.0なら、社員や取引先の声をクローンして使っても大丈夫ですよね？」というものです（想定例）。答えは明確に「NG」です。Apache 2.0はあくまでソフトウェア（モデルの重み・コード）の利用条件であり、生成した音声の内容——特に実在する人物の声をクローンして使う行為——には別の法的リスクが伴います。本人の同意なく声を複製・利用することは、肖像権・パブリシティ権、不正競争防止法、個人情報保護の観点から問題になり得るというのが一般的な整理であり、ソフトウェアのライセンスが寛容であることとは切り離して考える必要があります。声のクローン機能を使う際は、ElevenLabsの記事でも触れたのと同様に、必ず本人から書面での同意を取得し、利用範囲を事前に取り決めておくことをおすすめします。

もう1つの落とし穴は、前述のとおり「無料のオープンウェイト版」と「DashScopeの有料ホスト版API」を混同してしまうことです。自社でGPUを用意して自社サーバー内で完結させる場合は無料（電気代・GPUコストのみ）ですが、DashScope経由のAPIを使う場合は別途利用料が発生します。社内で「Qwen3-TTSは無料」とだけ伝えると、API経由の利用コストが見落とされたまま導入が進んでしまうリスクがあるため、どちらの構成で使うのかを最初に明確にしておくことが重要です。

Qwen3-TTS vs ElevenLabs｜オープンソースと商用SaaSの使い分け

音声合成AIを検討する際によく比較対象に挙がるのが、既刊記事「ElevenLabsとは｜料金・日本語対応・商用利用」で紹介したElevenLabsです。両者は同じ音声合成AIでも、性質が大きく異なります。

社外にテキストを送りたくない、GPUインフラを既に持っている、コストを電気代・サーバー代だけに抑えたい——という企業はQwen3-TTSが候補になります。一方、GPU環境を持たず、セットアップの手間をかけずにすぐ多言語ナレーションを作りたい企業は、ElevenLabsのようなSaaSの方が現実的な場合が多いです。どちらか一方を選ぶというより、社内システムへの組み込みはQwen3-TTS、マーケティング動画の即時制作はElevenLabs、といった用途別の使い分けも実務上は有効です。

【要注意】よくある失敗パターンと回避策

失敗1：ライセンスが寛容だからと、声のクローンに本人同意を取らない

❌ Apache 2.0だから何でも自由だと思い込み、社員や取引先の声を無断でクローンして使う

⭕ 声のクローンを作る前に、必ず本人から書面で同意を取得し、利用範囲（社内限定か外部公開もするか）を明確にする

なぜ重要か：ソフトウェアのライセンスは声の肖像権・パブリシティ権を代替しません。同意のない声のクローンは、モデルのライセンスとは無関係に法的リスクになります。

失敗2：GPU環境を用意せずに導入を進めてしまう

❌ 「オープンソースだから軽く動くはず」とGPUなしのサーバーに導入を進めてしまう

⭕ 事前にCUDA対応GPUの有無を確認し、なければDashScope経由のAPI利用かElevenLabsのようなSaaSを検討する

なぜ重要か：公式リポジトリはCUDA対応GPUでの動作を前提としており、GPUなしでの快適な動作は公式に保証されていません。

失敗3：「無料版」と「DashScope有料API」を混同したまま予算を組む

❌ Qwen3-TTSは無料と社内に周知したまま、実際にはDashScope経由のAPI利用を前提に設計を進めてしまう

⭕ 自社サーバーでの自己ホスト（無料・インフラコストのみ）か、DashScope等のホスト型API（従量課金）か、最初にどちらの構成にするか決めてから予算を確認する

なぜ重要か：構成によってコスト構造がまったく異なるため、混同したまま導入すると想定外の請求や、逆に予算超過を恐れて過小な設計になるリスクがあります。

失敗4：生成した日本語音声を試聴せずにそのまま使う

❌ 生成した音声を一度も聴かずに、そのままマニュアル動画や研修資料に組み込んでしまう

⭕ 固有名詞・専門用語の読み間違いがないか、必ず人間が試聴してから公開・配布する

なぜ重要か：公式に日本語限定の品質保証データが確認できない以上、固有名詞の誤読リスクを事前に把握したうえで運用フローに試聴確認を組み込む必要があります。

よくある質問

Q. Qwen3-TTSは無料で商用利用できますか？

A. モデルの重みはApache 2.0ライセンスで公開されており、自社サーバーで動かす場合は商用利用を含めて無料です（GPU等のインフラコストは別途必要）。ただし、他人の声をクローンして使う場合は、ライセンスとは別に本人の同意が必要です。DashScope経由のホスト型APIを使う場合は別途利用料が発生します。

Q. Qwen3-TTSのパラメータ数は？

A. 0.6Bと1.7Bの2サイズが公開されています。0.6Bは軽量・高速、1.7Bはより高品質な生成に向いています（用途はCustomVoice／Base／VoiceDesignで分かれます）。

Q. Qwen3-TTSのモデルの容量はどれくらいですか？

A. 音声クローン用のBaseモデルで、0.6Bが約2.52GB、1.7Bが約4.54GBです。初回実行時にHugging Faceからこのサイズのモデルファイルをダウンロードします。

Q. Qwen3-TTSの動作環境は？必要なスペックは？

A. 公式はCUDA対応GPUでの利用を前提としており、FlashAttention 2の利用を推奨しています。具体的なVRAM要件は公式に明記されていませんが、モデルサイズが2.5GB〜4.5GB程度であることから、個人検証では数GB程度のVRAMで動いたという報告があります（非公式の情報である点に留意してください）。

Q. Qwen3-TTSは日本語に対応していますか？

A. 対応しています。中国語・英語・日本語など10言語が公式にサポートされており、日本語系のプリセットボイス「Ono_Anna」も用意されています。日本語限定の定量的な品質データは公式に確認できていないため、実務では生成後の試聴確認を前提にすることをおすすめします。

Q. Qwen3-TTSとElevenLabsはどちらを選ぶべきですか？

A. 自社サーバーで完結させたい・GPU環境がある・コストをインフラ代だけに抑えたい場合はQwen3-TTS、セットアップの手間をかけずにすぐ使いたい場合はElevenLabsのようなSaaSが向いています。用途によって使い分けるのが現実的です。

まとめ：今日から始める3つのアクション

1. 今日やること：Hugging Face Spacesの公式デモ「Qwen/Qwen3-TTS」で、自社の日本語原稿の一部を実際に読み上げさせて品質を確認する
2. 今週中：自社にCUDA対応GPUがあるか、DashScope経由のAPI利用の方が現実的かを技術部門と確認し、どちらの構成で検証するか決める
3. 今月中：声のクローンを使う場合の本人同意の取得フロー、生成音声の試聴チェック体制の2点を社内ルールとして整備する

次回は、Qwen3-TTSを含むオープンソース音声・動画生成AIを自社サーバーに組み込む際のインフラ設計について、より実践的に整理する記事を予定しています。

あわせて読みたい：

• ElevenLabsとは｜料金・日本語対応・商用利用 — 商用SaaS型の音声AIとの違いを比較
• Qwen 3.5完全ガイド｜ローカルAI性能・比較 — 同じQwenファミリーのローカル実行LLM

AIツール導入の判断軸や社内展開のステップについては、「AI導入戦略の完全ガイド」で体系的に整理しています。Qwen3-TTSのような専門特化型ツールを検証・導入する際にも、共通する判断プロセスとして参考になります。

著者：佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー約10万人。
100社以上の企業向けAI研修・導入支援。著書『AIエージェント仕事術』（SBクリエイティブ）。
SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。

ご質問・ご相談はお問い合わせフォームからお気軽にどうぞ。

参考・出典

• QwenLM/Qwen3-TTS — 公式GitHubリポジトリ（参照日：2026-08-11）
• Qwen3-TTS-12Hz-1.7B-Base — Hugging Face公式モデルカード（参照日：2026-08-11）
• Qwen3-TTS-12Hz-1.7B-CustomVoice — Hugging Face公式モデルカード（参照日：2026-08-11）
• Qwen3-TTS Demo — Qwen公式Hugging Face Spaces（参照日：2026-08-11）
• Qwen-TTS — Alibaba Cloud Model Studio公式ドキュメント（参照日：2026-08-11）