端末内で音声を生成する：文章を外部に送らずに
音声生成では、端末内の音声モデルが文章をWAVに変えます。入力した文章と使用した参照音声は、生成時に推論サーバーへ送られません。アプリ・実行環境・モデルファイルが手元に揃えば、生成に推論サーバーとの通信は不要です。未取得のファイルや更新を入手するときは通信が必要です。
まず /#/audio-generation を開き、音声生成画面に進みます。
1. 音声生成を開き、モデルを用意する
上のリンクから音声生成を直接開けます。サイドバーのその他の操作から音声生成を選ぶ方法もあります。初めて使う場合は、開いているモデルカタログでQwen3-TTS 1.7B Baseを探し、ダウンロードを選びます。必要な音声用mmprojも一緒に取得されます。完了したらこのモデルを使うを選びます。対応するモデルをすでに持っている場合は、そのモデルを直接選べます。ほかのモデルはモデルと実行環境から、対応するGGUF本体と音声用mmprojを一組として取り込むか、リポジトリから用意します。ローカルのみ版では外部リポジトリから取得できないため、両方のファイルを別途入手して取り込んでください。
2. 文章を入力し、言語を選ぶ
音声生成モデルを選び、読み上げるテキストを入力して、音声の言語を指定します。初期選択はNaidanの表示言語に合わせますが、入力した文章の言語を自動判定するものではありません。Qwenのモデルの既定値は英語を意味し、Pocket TTSの言語はモデルの重みによります。Qwen3-TTS Baseなら参照音声を省略できますが、Pocket TTSでは必要です。
3. 音声を生成し、進み具合を見る
音声を生成を選ぶとページに進捗が表示され、完了した結果は生成された音声に追加されます。長い生成中にここまでの音声を取得を押すと、生成を続けながら途中のWAVを追加できます。生成を終了して取得はそこまでの音声で終了し、中止して破棄は未取得の部分を捨てます。
4. 再生してWAVを保存する
結果のプレーヤーで必要なときに再生し、WAVを保存からファイルを残します。完成音声と設定は、このページのメモリ上にだけ保持されます。ページを離れたり再読み込みしたりすると消え、自動再生もしません。必要なWAVは移動前に保存してください。
必要なときに参照音声を追加する
Pocket TTSでは参照音声が必要で、Qwen3-TTS Baseでは任意です。参照音声は手元のファイルから追加できます。ブラウザと権限が対応する場合は、マイクで録音する方法もあります。ページ内の参照ライブラリでは複数の音声を選べますが、選択した合計は最大30秒です。参照音声は生成結果の履歴にはコピーされません。モデル側に参照音声への対応が必要で、選択だけで特定の声や音質を保証するものではありません。
チャットの「読み上げ」との違い
チャット回答の読み上げは、ブラウザのWeb Speech APIを使う別機能です。この音声生成画面にWAVは作りません。音声の処理場所はブラウザ・OS・選んだ声に依存するため、この端末内モデルによる生成と同じオフライン動作は約束できません。