ComfyUI × Qwen3-TTSでローカル音声生成【AMD ROCm対応ガイド】

はじめに

Qwen3-TTSはAlibabaが2026年1月に公開したオープンソースのテキスト音声合成モデルです。日本語を含む10言語に対応し、3秒の音声サンプルからの声クローンや、テキストで声をデザインする機能も持っています。Apache 2.0ライセンスで商用利用も可能。

今回はこれをROCm（AMD GPU）環境のComfyUI上で動かすまでの手順をまとめます。結論から言うと、最大のハマりポイントはtransformersのバージョンでした。

環境

• ホスト: GMKtec NucBox EVO X1（Ubuntu 24.04）

• GPU: AMD Radeon 890M（VRAM 1GB + GTT 24GB）

• ComfyUI: Docker（ROCm 7.2）

• モデル: Qwen3-TTS-12Hz-1.7B

Docker Compose構成

ComfyUIコンテナの定義は以下のようになっています。

comfyui-amd:
  image: rocm/pytorch:rocm7.2_ubuntu24.04_py3.12_pytorch_release_2.9.1
  container_name: ai_comfyui-amd
  restart: always
  ports:
    - "8188:8188"
  devices:
    - "/dev/kfd:/dev/kfd"
    - "/dev/dri:/dev/dri"
  security_opt:
    - seccomp:unconfined
  group_add:
    - video
    - render
  volumes:
    - ./data:/data
  environment:
    - HSA_OVERRIDE_GFX_VERSION=${HSA_OVERRIDE_GFX_VERSION}
    - COMFYUI_ARGS=${COMFYUI_ARGS}
    - PYTORCH_CUDA_ALLOC_CONF=expandable_segments:True
  working_dir: /data
  command: >
    sh -c "if [ ! -d 'ComfyUI' ]; then
            git clone https://github.com/comfyanonymous/ComfyUI.git;
          fi &&
          cd ComfyUI &&
          if [ ! -d 'custom_nodes/ComfyUI-Manager' ]; then
            git clone https://github.com/ltdrdata/ComfyUI-Manager.git custom_nodes/ComfyUI-Manager;
          fi &&
          pip install -r requirements.txt &&
          pip install gitpython toml aiohttp &&
          pip install transformers==4.57.3 'huggingface-hub>=0.34.0,<1.0' &&
          pip install -r custom_nodes/ComfyUI-Qwen-TTS/requirements.txt --no-deps ||true &&
          python main.py --listen 0.0.0.0 --reserve-vram 1 --use-pytorch-cross-attention --disable-pinned-memory"

ポイントは command 内で transformers==4.57.3 を明示的にインストールしている点です。理由は後述します。

ComfyUI-Qwen-TTSのインストール

1. カスタムノードのクローン

コンテナ内に入り、カスタムノードをインストールします。

docker exec -it ai_comfyui-amd bash
cd /data/ComfyUI/custom_nodes
git clone https://github.com/flybirdxx/ComfyUI-Qwen-TTS.git

2. 依存パッケージのインストール

cd ComfyUI-Qwen-TTS
pip install -r requirements.txt

これにより librosa、soundfile、accelerate、tiktoken、sox、onnxruntime など必要なパッケージがインストールされます。

3. ComfyUIの再起動

exit
docker restart ai_comfyui-amd

起動ログでエラーがないか確認します。

docker logs ai_comfyui-amd --since 1m 2>&1 | grep -i "error\|qwen"

以下のように表示されれば正常です。

0.2 seconds: /data/ComfyUI/custom_nodes/ComfyUI-Qwen-TTS

最大のハマりポイント：transformersのバージョン

問題

ComfyUI-Qwen-TTSの requirements.txt には transformers>=4.57.0 と記載されていますが、ROCm版PyTorchのDockerイメージには transformers==5.5.0 がプリインストールされている場合があります。

transformers 5.x系では以下の非互換が発生し、ノードの読み込みやモデルのロードに失敗します。

pad_token_id や ROPE_INIT_FUNCTIONS の問題は個別にパッチを当てることも可能ですが、次々と新しい非互換が見つかり、モグラ叩き状態になります。

解決策

transformers==4.57.3 を使う。これが唯一の安定した解決策です。

Qwen3-TTSの公式パッケージも transformers==4.57.3 を要求しており、この組み合わせが動作保証されています。

pip install transformers==4.57.3 "huggingface-hub>=0.34.0,<1.0"

transformers 4.57.x は huggingface-hub<1.0 を要求するため、huggingface-hub も併せてダウングレードする必要があります。

Docker Composeでの恒久対策

コンテナを再起動すると transformers のバージョンがDockerイメージのデフォルトに戻る可能性があります。Docker Composeの command に以下を追加し、起動のたびに正しいバージョンがインストールされるようにします。

pip install transformers==4.57.3 'huggingface-hub>=0.34.0,<1.0' &&
pip install -r custom_nodes/ComfyUI-Qwen-TTS/requirements.txt --no-deps ||true &&

--no-deps を付けているのは、Qwen-TTSの requirements.txt が transformers>=4.57.0 と記載しているため、依存解決が走ると transformers が再び5.x系にアップグレードされてしまうのを防ぐためです。

基本的な使い方

CustomVoice（プリセット音声）

最もシンプルな音声生成方法です。9種類のプリセットスピーカーからモデルを選んでテキストを入力するだけ。

1. ノードを追加 → Qwen3-TTS → CustomVoice

2. ノードを追加 → オーディオ → オーディオプレビュー

3. CustomVoiceのAUDIO出力をオーディオプレビューに接続

4. テキストを入力して生成

CustomVoiceの設定

初回実行時に1.7Bモデル（約4.5GB）が自動ダウンロードされるため、しばらく待つ必要があります。

Attention設定のTips

ROCm環境では FlashAttention 2 は使えないため、以下の優先順位で選択されます。

1. sdpa（PyTorch 2.0+ 標準）— デフォルトでこれが選択されます

2. eager — sdpaで問題が出る場合のフォールバック

ノードの設定で attention パラメータを変更できます。通常は auto（自動選択）のままで問題ありません。

実際に音声を生成してみた

ワークフローはこんな感じ（念のため、AlekPetの翻訳ノードを入れています）

実際に生成した音声

ちょっとイントネーションが不自然なところはあるけど良しとします。

まとめ

ROCm環境でのComfyUI-Qwen-TTSセットアップにおける最大の落とし穴は transformers のバージョン です。5.x系とは多数の非互換があり、個別パッチでの対応は現実的ではありません。transformers==4.57.3 を明示的に固定し、Docker Composeの起動コマンドに含めることで、安定した運用が可能になります。

上流のQwen3-TTSリポジトリでは transformers 5.x対応のPR（#201）が提出されていますが、マージされるまではバージョン固定が推奨です。