新清士の「メタバース・プレゼンス」 第144回

わずか4秒の音声からクローン完成　音声生成AIの実力が想像以上だった

Qwen3-TTSで音声を生成しているComfyUIの画面と、ゲストキャラクターの田中さん（筆者作成）

　高性能化する音声系のオープンモデルが話題になっています。1月22日に、アリババが「Qwen3-TTS Family」をオープンモデルとして公開しました。TTSは「Text-to-Speech」の略で、テキストを音声に変換するためのモデルです。わずか4秒ほどの音声ファイルを参考音声として読み込めば、かなりの精度で音声を再現できるという恐ろしく高性能なものです。筆者の声、動画AIから抽出した声などを使って、再現精度を検証しました。

　Qwen3-TTSの強力さをわかりやすく理解できる例として、まず、筆者の音声で作例を作ってみました。2022年、YouTube Liveでの筆者の講演から、7秒分の音声を抽出しました。オンラインであることもあって若干音がこもっていますがよしとします。音声をQwen3-TTSに読み込ませ、過去の連載の冒頭を読み上げさせました。生成された音声は25秒となりました。たった7秒の声から生み出したにも関わらず、筆者の声真似を見事に実現しています。

▲筆者の声を使った作例。動画冒頭の7秒は筆者の元々の講演時の声、後半25秒がAI生成の声。