Qwen3-TTSで好きな音声が作りたい放題になってしまった

先日、乳搾り手コキ射精で久しぶりにSBV2を使ったこともあり、最近話題の合成音声モデルQwen3-TTSとやらを試したくなりました。

名前しか知らなかったので、ふーん新しいAI合成音声ねー、そうは言っても気に入るモデルがあるかどうかが大事よねー、などと思っていたのですが、 とんでもない勘違いでした。

Qwen3-TTSはプロンプトから好きな声質を作り出せる仕組みだったのです。

もはや、好みのモデルを探し回る必要はない。性癖を詰め込んだプロンプトを渡して、自分好みの声を作ってもらえるのです。

Qwen3-TTSで作った合成音声例

ComfyUI-QwenTTS 設定

Character: Young Female
Style: Whisper
Custom instruct:
落ち着いた雰囲気の少女声。高すぎない透明感のある声質で、感情は控えめ。知的でクールな印象を持つアニメ風の声。

Text: そんな恰好で恥ずかしくないんですか？

生成結果

このように同じ設定でもシード値によって生成される声質はがらりと変わります。

もっとハキハキと明るい声で、とか逆におっとりした優しい声色で、みたいな指定ももちろんできるし、男も女も好きな音声作りたい放題です。

しかし、上で書いたように同じ設定でも毎回違う声質になってしまうのではキャラクターの一貫性を保てません。

そこで使うのがボイスクローンまたは音色ファイルの作成。

Qwen3-TTSでボイスクローンを使い同じ声質でしゃべらせる

先ほど作った音声、

を参照音源(reference_audio)にして、新しい台詞「大人なのに…ガマンできないの？」を作ってみます。
※参照音源の台詞もちゃんと書いておく必要があります。

生成結果

このとおり、同じ台詞「大人なのに…ガマンできないの？」でも生成しなおすたびに微妙にイントネーションが変わります。

生成時間はRTX-4070で約10秒くらい。

試しに別の台詞も作ってみましょう。

いかがでしょうか。一番最初に生成した声質とほとんど同じに感じませんか？

これ、とんでもねー話なんですよね。

最初に作った音声ってわずか3秒ですよ。3秒の音声があれば同じ声を作れてしまう。

つまり、貴方の声が3秒分あれば、貴方そっくりの声でオレオレ詐欺できちゃうってことです。悪用厳禁。

健全に不健全な用途で遊びましょう。

音色ファイルの作り方

うちのブログはコメントほとんどないので需要あるのかよくわからんのですが、一応軽く音色ファイルの作り方にも触れておきます。

ComfyUI-QwenTTSを入れると Create Voice ノードというのが作れるようになるので、reference_audio側に録音した自分の声を渡すか、あるいは先ほど作った音声ファイルをload audioノードで渡せばOK。

…などという言葉が呪文に感じる方は Qwen3-TTS-JP というWebUIを使うと良いです。

A1111みたいなWebUI画面で、参照音声をドラック＆ドロップ→[音色ファイルを保存]とするだけで、拡張子.ptの音色ファイルが作成されます。

そして、その画面の真ん中にある「音色を読み込んで合成」を使えばわざわざ「そんな恰好で恥ずかしくないんですか？」というテキストを書かずとも、最初のボイスと同じ音色での音声生成が可能となります。

インストール方法は…Qwen3-TTS-JPのページで親切に日本語でステップバイステップで書いてあるのでここでは説明しません。

わかんねーよー、という方はコメント欄で聞いてください。

ComfyUI-QwenTTSカスタムノードのインストールについて

WebUIではなく、ComfyUIのカスタムノードのほうはいくつか罠があるので備忘録がてら注意事項を。

• ComfyUI ManagerからComfyUI-QwenTTSはインストールできない (2026-02-04現在)
  正確にはインストールはできるけど1.0.0なので入れても無駄。v1.1.4は手動インストールするしかない
• 手動インストールの手順はほかのカスタムノードと同じ。

  cd ComfyUI/custom_nodes
  git clone https://github.com/1038lab/ComfyUI-QwenTTS.git
  pip install -r ComfyUI-QwenTTS/requirements.txt --no-cache-dir

そして、うちの環境のせいなのか、日本語だからなのか不明ですが、このカスタムノード、ちょいちょいフリーズします。

フリーズという表現が正しいのかわかりませんが、[実行]してからずぅ～～～と返ってこないという意味。

通常は3秒の台詞生成に10秒もかからないので、1分以上返ってこなかったら、もう戻ってこないと判断して良いんじゃないかな。

一説には2分で戻ってくるケースもあると聞くけど…再起動して再生成したほうが早いと思う。

WebUI版のほうでは止まったことないので、ぼくもできればそっち使いたいんですけど、Voice Design （最初に紹介した声質を作る機能）がWebUI版には存在しないんですよね。

WebUI版で出来るのはカスタムボイス（プリセットモデルだけ使用可）とボイスクローンだけです。

おまけ

自分好みの声質をガチャで作り出せるというだけですごいことはすごいのですが、当ブログはエロ中心。

つまり、あえぎ声とか、吐息出せなきゃ9割使えないのと同じ（誇張）

SBV2だって基本モデルではそんなことは出来ず、Anneli-nsfw等、神が作りたもうたモデルがあるからこそようやく実現できたに過ぎないので期待はしません。…期待はしませんが、軽く試してみました。

あ♡あ♡あ♡

あ…あ…あ…？

はぁ…はぁ…はぁ…

ふぅ…ふぅ…ふぅ…

ふう…

…だめじゃん、と思うかもですが、ぼくは期待していなかっただけに思っていたよりは使えそうかも？と感じました。

「はぁ…はぁ…はぁ…」より「あ…あ…あ…」のほうが吐息っぽいし、ガチャればもっと良い吐息が出るかも知れません。

「あ…あ…あ…？」みたいにクエスチョンマークを入れると、ちょっと喘ぎ声に近いようにも感じます。

最後の「ふう…」なんて普通にASMRっぽい動画作るときに使えそう。

というわけで、SBV2のAnneli-nsfwほどの喘ぎ声は無理っぽいですが、部分的には使えそうなのと、なんならAnneli-nsfwの声をクローンしてしまえばまんま出るんじゃないかなぁ。

ただ、最近、同人作品でちょいちょいAnneli-nsfwの声を聞くことが増えてきてしまって、「あ、これSBV2だ」とわかるようになってしまったので、個人的にそろそろAnneli-nsfw離れをしたい…。

SBV2のようにQwen3-TTSも音色のマージできると良いんですけどねー。

まぁ、Qwen3-TTSは台詞だけに使って、喘ぎ声やちゅぱ音は音声素材集使うのが現実的かなって気はしています。

ちなみに、Qwen3-TTSで作った音声をSBV2で学習してモデル化も試しましたが、合計10秒くらいの音声だとノイズがひどくてちょっと実用に耐えませんでした。もっとサンプルを増やしてSBV2に多く学習させればたぶんかなり近づけることが出来ると思うし、なんならAivisSpeechのほうへもっていけばイントネーションのカスタマイズもできるとは思います。すげー面倒くさいからぼくはやらんけどね…。

LTX2でパン音、ちゅぱ音出している人もいるそうなので、そっちのほうを先に試したいかなぁ。

…おまけの余談が長くなりすぎたぜ！