AWS、SageMakerで音声クローン

Qwen3-TTSファミリーはAlibaba CloudのQwenチームが開発し、Qwen3-TTS-Tokenizer-12Hz音声トークナイザーを用いて、低遅延の対話シナリオ向けにストリーミング生成をサポートする。ここで使うBaseバリアントは数秒のユーザー音声から音声クローンを行い、ファインチューニングのベースとしても使える。ユーザー提供の参照ではなく固定の定義済み話者から音声を生成するCustomVoiceバリアントとは異なる。

導入ではモデルを同一GPU上の2ステージとして実行する。テキストと参照音声から音声トークンを生成するtalkerステージと、それらを波形にレンダリングするcode2wavステージだ。コンテナ起動時に各ステージがエンドポイントのCloudWatch Logsロググループにメモリ使用量を記録する。talkerモデルの重みは3.66 GiB、code2wavモデルの重みは0.45 GiBで、残りのメモリの大半がKVキャッシュになる。KVキャッシュとは処理中のリクエストのトークンを保持する作業メモリだ。

この導入の鍵となる試練は、2ステージの合計GPUメモリ予約を24 GBの容量内に収めつつ、十分な数の同時リクエストをさばけるかどうかだ。記事は、TTSリクエストは通常短いため1インスタンスで複数の同時リクエストに対応できるが、トラフィックが増える場合はより多くのインスタンスかより大きなGPUが必要になると指摘する。チュートリアルは構成と監視でそのバランスを管理する方法を示しており、音声対応アプリケーションを構築するチームにとってこのニュースの実用的価値はそこにある。