モデルの比較

ローカル音声合成ならQwen3-TTSかSuperClonicaか

Qwen3-TTSはQwenチームのオープンな音声モデル群で、2026年1月に0.6Bと1.7BのサイズがApache 2.0で公開されました。3秒の音声から声をクローンし、テキストの説明から声を作り、低遅延でストリーミング出力できます。SuperClonicaの守備範囲はもっと狭く、CPUで速く動く既製・学習済みのSupertonic 3音声です。

どちらも手元のハードウェアで動きます。違いは速度、対応言語、そして声の手に入れ方です。

Supertonic 3の音声を探す SuperClonicaのインストールへ

Qwen3-TTSでできること

公式のサンプルはNVIDIA GPUのbfloat16で動かす前提で、GPUメモリを抑えるためにFlashAttention 2が推奨されています。

  • 10言語：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。方言の音声プロファイルもあります。
  • Baseモデルで3秒のボイスクローン。学習は不要です。
  • 自然文の説明からのボイスデザイン（1.7B VoiceDesignモデル）。
  • 口調、話す速さ、感情を指示で制御。
  • ストリーミング生成。開発元はエンドツーエンドの遅延を最短97msと公表しています。

CPUでのQwen3-TTSの速度

8コアのデスクトップCPUで0.6Bモデルを動かした場合、当社の見積もりはリアルタイムより1〜2倍遅い程度、10秒の音声に10〜20秒です。根拠はC言語で書かれたコミュニティ製エンジンで、ノートPC向けのRyzen 7 6800Hで0.6B・INT4重みのRTFが2.02と報告されています。1.7Bモデルはさらに遅く、リアルタイムより2〜5倍遅いと見ています。素のPyTorchでは、このCエンジンよりかなり遅くなることがあります。

Apple SiliconではQwenの数字が良くなります。同じエンジンでM1のRTFは0.52、つまりリアルタイムの約2倍速です。

SuperClonicaは、8コアのデスクトップCPUで当社の見積もりではリアルタイムの6.4〜9.7倍速。同じ10秒が約1.0〜1.6秒です。

品質、安定性、対応言語

当社の評価では、Qwen3-TTSは品質が5点満点中4点、声色の安定性が4点。SuperClonicaはそれぞれ4.5点と5点です。

対応言語の数はSupertonic 3が31対10で上回りますが、中身は一致しません。Qwen3-TTSは中国語を話せますが、Supertonic 3は話せません。その代わりSupertonic 3は、アラビア語、ヒンディー語、トルコ語、ベトナム語、ウクライナ語、ポーランド語と、ほかのヨーロッパ言語の大半をカバーしています。

どちらを使うか

どちらもオープンでローカルで動くので、決め手は用途です。

  • Qwen3-TTS：中国語、即時クローン、ボイスデザインが必要な場合。GPUで音声アシスタントを作り、最初のパケットまでの遅延を重視する場合。
  • SuperClonica：CPUで大量に音声を生成する場合、Supertonic 3の31言語のどれかを使う場合、学習した声を何千ものセリフで同じ声色に保ちたい場合。