自分のパソコンで文章を読み上げさせるなら、VOICEVOXとQwen3-TTSのどちら？〜VRAM 8GBのRTX 3070で速さを測った
自分のPCで、文章を声に出して読み上げさせたいと考えました。ローカルで動く読み上げ（音声合成。TTS＝Text To Speech）の代表として、VOICEVOXと、Qwen3-TTSがあります。どちらも手元のPCで動かせます。ただ、VRAM（GPUが持つ専用メモリ）が8GBのGPUで、どのくらいの速さで読み上げられるのか、VRAMはどれだけ使うのかは、調べても分かりませんでした。この記事では、VRAM 8GBのRTX 3070で、VOICEVOXとQwen3-TTSの2種類（モデルの大きさ違いで計3通り）を動かし、速さとVRAMを測っています。
2026年10月28日時点の内容です。
何を測ったのか
同じ文章（青空文庫の「走れメロス」冒頭40文・856字）を、VOICEVOXとQwen3-TTSで音声にし、かかった時間を測りました。速さは、RTF（Real Time Factor）という値で表します。RTFは、音声にするのにかかった時間を、できた音声の長さで割った値です。小さいほど速く、1.0より小さければ、音声の長さよりも短い時間で作れた（実時間より速い）ことを表します。あわせて、Qwen3-TTSでは、測定中のVRAM使用量の最大値 [MiB] を記録しました。
音質（声の良し悪し・聞き取りやすさ）は、評価していません。
目的
次の3つを確かめます。1つ目は、VRAM 8GBのRTX 3070で、VOICEVOXとQwen3-TTSの読み上げが、何倍の速さ（RTF）で動くか。2つ目は、Qwen3-TTSが、VRAMをどれだけ使うか。3つ目は、Qwen3-TTSの大きいモデル（1.7B）と小さいモデル（0.6B）で、速さとVRAMがどう違うか。
方法
使ったもの
| 項目 | 内容 |
|---|---|
| GPU | NVIDIA GeForce RTX 3070（VRAM 8GB）。Qwen3-TTSでは、このGPU1枚だけが見える設定で測定 |
| メインメモリ | 7GB |
| VOICEVOX | VOICEVOX ENGINE 0.26.0（CPU版）。声は「玄野武宏」。CPUで、8スレッド指定で実行（GPUは使わない） |
| Qwen3-TTS | Qwen3-TTS-12Hz-1.7B-CustomVoice と Qwen3-TTS-12Hz-0.6B-CustomVoice。声は組み込みの「Ono_Anna」・言語は日本語 |
| Qwen3-TTSの実行環境 | Python 3.14.4・PyTorch（CUDA 13版）・qwen-tts 0.1.1・精度 bfloat16・注意機構は標準の sdpa。tritonは無効化 |
VOICEVOXは、文を1つずつエンジンに送る形で40回呼び出し、合計の時間を測りました。Qwen3-TTSは、モデルを読み込んだあとに、全文を生成する時間を測りました。モデルの読み込み時間は、RTFには含めていません。
測り方
| 項目 | 設定 |
|---|---|
| 文章 | 走れメロス冒頭40文・856字（青空文庫。著作権の保護期間が終わった作品）。全方式で同じ文章 |
| 回数 | 各6回。1回目は起動直後の状態で測るため別扱い（モデルの読み込み時間そのものはRTFに含めていません）。残り5回のうち、いちばん速い1回といちばん遅い1回を除いた3回の中央値（ばらつきの影響を減らすため） |
| RTF | 合成時間 [s] ÷ 音声の長さ [s]。小さいほど速い |
| VRAM | 1秒ごとに記録したnvidia-smiの使用量の最大値 [MiB]。何も動かしていない状態の79MiBを含む |
| VOICEVOXのVRAM | CPUで動かすため、GPUは使わず、VRAM使用量は0として扱う |
結果
| 方式 | RTF 中央3点（小さいほど速い） | 1回目のRTF | VRAM最大 [MiB] | 音声の長さ（6回の範囲） [s] |
|---|---|---|---|---|
| VOICEVOX 0.26.0（CPU・玄野武宏） | 0.2918 | 0.2995 | 0（CPU実行） | 126.5（6回とも同じ） |
| Qwen3-TTS 1.7B CustomVoice（Ono_Anna） | 1.5445 | 1.6021 | 5,920 | 173.0〜211.1 |
| Qwen3-TTS 0.6B CustomVoice（Ono_Anna） | 1.525 | 1.549 | 3,276 | 202.4〜214.5 |
VOICEVOXは、126.5秒の音声を、約37秒で作りました（RTF 0.2918）。実時間より速く、1回目との差も小さい結果でした。
Qwen3-TTSは、1.7Bも0.6Bも、RTFが約1.5でした。実時間より遅い、という結果です。1.7Bでは、中央3点にあたる1回（6回目）が、音声173.0秒に対して合成267.1秒でした。0.6Bでは、同じく中央3点の1回（4回目）が、音声204.8秒に対して合成312.3秒でした。
Qwen3-TTSのVRAMは、次のとおりでした。nvidia-smiの値は、PyTorchが確保した量より、どちらも290MiB大きい値です。
| モデル | nvidia-smi 最大 [MiB] | PyTorchが確保した量 最大 [MiB] | 実際に使われた量 最大 [MiB] | モデル読込時間 [s] |
|---|---|---|---|---|
| Qwen3-TTS 1.7B | 5,920 | 5,630 | 4,702 | 15.4 |
| Qwen3-TTS 0.6B | 3,276 | 2,986 | 2,556 | 10.8 |
Qwen3-TTSは、同じ文章でも、生成のたびに音声の長さが変わりました（1.7Bで約173〜211秒、0.6Bで約202〜214秒）。VOICEVOXは、6回とも126.485秒で同じでした。
考察
速さは、VOICEVOX（CPU）のほうが、今回の測定では、Qwen3-TTS（RTX 3070）より小さいRTFでした。RTFから、音声1分あたりの合成時間を計算すると、VOICEVOXが約17.5秒、Qwen3-TTSが約93秒（1.7B）・約91.5秒（0.6B）です。長い文章をまとめて音声にする使い方では、この差が、待ち時間として表れます。
VRAMは、Qwen3-TTSの1.7Bが最大5,920MiB、0.6Bが3,276MiBで、どちらもVRAM 8GBのRTX 3070に収まりました。1.7Bは0.6Bの約1.8倍のVRAMを使いますが、RTFは約1.54と約1.53で、ほとんど変わりませんでした。今回の測定では、モデルを小さくするとVRAMは減りましたが、速さは変わりませんでした。モデルを小さくしても速さが変わらなかった理由は、今回は切り分けていません。
VOICEVOXをCPUで動かした今回の構成では、GPUのVRAMを使いませんでした。同じPCで、VRAMを画像生成やLLMなど、ほかの用途に使いながら、読み上げだけをCPUに任せられる可能性があります。ただし、VOICEVOXとほかのソフトを同時に動かした測定はしていないため、あくまで可能性です。
Qwen3-TTSでは、同じ文章でも、実行ごとに音声の長さが変わりました。その原因は確かめていません。
今回の測定で確かめていないこと
次のことは、今回確かめていません。
音質は、評価していません。声の良し悪し、聞き取りやすさ、読み間違いの数は、測定の対象ではありません。主観の評価もしていません。
VRAM 8GBでの、ほかの読み上げモデルの結果は、ありません。Qwen3-TTSは、CustomVoice版の2種類だけを測りました。声を複製する方式や、声を文章で設計する方式（VoiceDesign）は、RTX 3070では測っていません。VOICEVOXは、玄野武宏の声だけを測りました。声によって、話す速さが違う可能性があります。
文章は1種類（856字）だけです。数万字の長い文章や、長時間の連続運転での安定性は、確かめていません。VOICEVOXをNVIDIA版（GPU実行）で動かした場合の速さも、測っていません。
VOICEVOXを動かしたCPUの型番は、記録していません。CPUの性能が違えば、RTFも変わると考えられます。Qwen3-TTSがRTF 1.5になった原因（PyTorchの設定、tritonを無効にしたこと、メインメモリが7GBであることなど）は、切り分けていません。ソフトの版や設定を変えれば、速さが変わる可能性があります。
利用条件の確認
Qwen3-TTSは、Hugging Faceのモデルカードに、ライセンスがApache-2.0と記載されていることを確認しました。
VOICEVOXは、声（キャラクター）ごとに、利用規約が決められています。クレジットの表記や、商用利用の可否などが、声によって違う場合があるため、使う声の公式の個別規約を、利用前に必ず確認してください。この記事では、玄野武宏の規約の原文は確認しておらず、利用の可否は判断していません。
まとめ
| 見たこと | 結果（RTX 3070・走れメロス冒頭856字） |
|---|---|
| VOICEVOX（CPU・玄野武宏） | RTF 0.2918（実時間より速い）・VRAM 0 MiB・音声1分あたり約17.5秒 |
| Qwen3-TTS 1.7B | RTF 1.5445（実時間より遅い）・VRAM最大 5,920 MiB・音声1分あたり約93秒 |
| Qwen3-TTS 0.6B | RTF 1.525（実時間より遅い）・VRAM最大 3,276 MiB・音声1分あたり約91.5秒 |
VRAM 8GBのRTX 3070では、Qwen3-TTSは1.7B・0.6Bとも動きましたが、実時間より遅い結果でした。VOICEVOXはCPUだけで、実時間より速く動き、VRAMを使いませんでした。音質は評価していないため、声の好みで選ぶ場合は、自分で聞いて決める必要があります。
どちらを試すか、どう決めるか
今回の数字から言えるのは、速さとVRAMについてだけです。足すと何が上がり、何の制約が付くかを、次の表に並べます。
| 自分の使い方 | VOICEVOX（CPU） | Qwen3-TTS（RTX 3070） |
|---|---|---|
| 長い文章を、待たずにまとめて音声にしたい | RTF 0.29。音声1分あたり約17.5秒 | RTF 約1.5。音声1分あたり約91〜92秒 |
| VRAMを、ほかの用途に残したい | VRAMは使わない（CPU実行） | 1.7Bで最大5,920MiB・0.6Bで最大3,276MiB |
| モデルの大きさを選びたい | 今回は声（玄野武宏）1つだけを測定 | 1.7Bと0.6Bで速さはほぼ同じ。VRAMは0.6Bのほうが少ない |
| 声の質で選びたい | 未評価 | 未評価 |
| 利用条件 | 声ごとの公式規約を確認 | HFカードにApache-2.0と記載 |
最初の一歩は、自分の使う文章の一部を、VOICEVOXで音声にして、聞いてみることです。CPUだけで動くため、GPUの空きを気にせず試せます。Qwen3-TTSを試す場合は、VRAMが少ない0.6Bから始めると、8GBのGPUでも余裕を持って動かせました（最大3,276MiB）。ただし、待ち時間は音声の約1.5倍かかる点に注意してください。導入方法は、VOICEVOXは公式サイト（voicevox.hiroshiba.jp）、Qwen3-TTSは配布元のモデルカード（Hugging Face の Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice）を参照してください。この記事では導入手順は扱っていません。
参考: 別の機体で記録された値（本編の表とは別条件）
同じ2つのソフトを、別の機体（EVO-X2。VOICEVOXはCPU、Qwen3-TTSはVRAM 16GBのRTX 5060 Ti）でも動かした記録があります。条件が本編と違うため、上の表の値とは、比べないでください。違いは次のとおりです。
| 項目 | 別の機体の記録 | 本編（RTX 3070）との違い |
|---|---|---|
| VOICEVOX | RTF 0.061（走れメロス冒頭40文・807字で、音声約130秒を約8秒） | 文字数が違う（807字と856字）。CPUも違う。回数・中央値の取り方は同じではない |
| Qwen3-TTS | RTF 0.53〜0.56（1.7Bの VoiceDesign と Base を組み合わせ、参照音声から声を複製する方式） | モデルの種類が違う（CustomVoiceではない）。GPUもVRAM 16GB |
この記録は、私が本編の条件で測り直したものではありません。別の機体では、長時間回したときに、CUDAのエラー（unspecified launch failure）で1回止まった、という記録もあります。