Voicebox: Qwen3‑TTS搭載のオープンソース音声スタジオ

音声合成はもう少数のクラウドベースサービスの専有領域ではありません。Voicebox は、Qwen3‑TTS に基づく無料でローカルファーストのアプリケーションであり、開発者やクリエイターは自分の音声データを所有し、デジタルオーディオワークステーションと同様にマルチトラックオーディオを編集し、Apple Silicon 上でこれまで以上に高速に自然な発話を生成できます。

Voicebox とは何ですか？

• ローカルファースト：推論・クローン・編集はすべてローカルハードウェアで実行されます。インターネットは不要でサブスクリプション料金も不要です。
• オープンソース：MIT ライセンスで、完全にコミュニティ主導です。
• マルチトラック編集：DAW（デジタルオーディオワークステーション）とテキスト音声合成の融合を想像してください。
• 最新スタックで構築：デスクトップは Tauri（Rust）、UI は React/TS、API は FastAPI、GPU アクセラレーションは MLX/Metal で実装しています。
• Qwen3‑TTS により動作：Alibaba のブレイクスルーモデルで、数秒の音声だけで声をクローンし、高品質で表現力豊かな発話を生成します。

概要機能一覧

アーキテクチャスナップショット

graph TD
  A[React‑TS Frontend] -->|REST| B[FastAPI Backend]
  B -->|PyTorch/MLX| C[Qwen3‑TTS Engine]
  B -->|Whisper| D[Transcription]
  B -->|SQLite| E[Database]
  subgraph Desktop
    F[tauri (Rust)] --> A
  end
  subgraph Web
    G[React‑TS app] --> A
  end

• Frontend：React + TypeScript、Tailwind CSS、Zustand 及び React Query を使用して状態管理とデータ取得を行います。
• Backend：FastAPI が型付き API、オートメーションドキュメント、非同期パフォーマンスを提供します。
• Models：Qwen3‑TTS と Whisper は PyTorch と MLX の両方のバックエンドで利用可能で、プラットフォームの柔軟性を提供します。
• Persistence：SQLite が音声プロファイル、プロジェクトメタデータ及び生成履歴を保存します。

使い始め方

1. インストール

# macOS（Apple Silicon）上で
brew install qt@5  # Tauri の依存関係用
bun install
cd backend && pip install -r requirements.txt
bun run dev   # デスクトップアプリを起動

Windows または Intel ベースの macOS では、リリースページから MSI または ZIP をダウンロードしてください。

2. 声をクローンする

1. アプリを開き、Create Profile（プロファイル作成）をクリックします。
2. 5〜10 秒間のクリアな音声を録音またはアップロードします。
3. モデルが My Voice（私の声）というプロファイルを生成します。
4. 共有したい場合はプロファイルをエクスポートします。

3. ストーリーを作る

1. 新しいプロファイルをタイムラインにドラッグします。
2. スクリプトを入力するか、ドキュメントから貼り付けます。
3. Batch Generation（バッチ生成）を使用してスクリプト全体を合成します。
4. タイムラインツールでクリップを配置し、トリミング・ミックスします。
5. 最終ミックスをエクスポートします。

Voicebox が輝くユースケース

Voicebox の拡張

• プラグインシステム：XTTS、Bark などの新しい音声モデルやオーディオエフェクトを別の Tauri パッケージとして追加できます。
• モバイルアプリ：将来的に LAN 経由でデスクトップ Voicebox を制御するスマホアプリを予定しています。
• リアルタイム合成：生成された音声を即座にストリーミングする機能が追加され、ライブパフォーマンスが可能になります。

コミュニティ & コントリビューション

Voicebox は歓迎的かつオープンな設計です。

• 貢献：プルリクエストを歓迎します。CONTRIBUTING.mdで設定を確認してください。
• セキュリティ：SECURITY.mdに従って問題を責任を持って報告してください。
• リリース：新しい安定版ビルドが GitHub Releases に公開されます。
• ドキュメント：実行時に http://localhost:8000/docs で総合 API ドキュメントを利用できます。

Bottom Line

Voicebox はノートパソコンをプロフェッショナルかつプライバシーを保護した音声スタジオへと変えます。音声ベースのゲームを試作したり、ポッドキャストを作成したり、個人アクセシビリティツールを構築したりする場合でも、費用の高いクラウド API に依存する必要はありません。今日から始めて、GitHub リポジトリをフォークし、あなたの手元で管理できる音声体験を構築してください。