AI生成

B202 音声生成


音声生成について実施しています。
実践した範囲を記載しています。
irodoriが現状だとよさそうです。(2026/11)

ttsの実施

edge-tts : main ,01
Qwen3-tts : 03 (VoiceDesignでプロンプトによる調整可能)

Open In Colab

colabでセルを実行すると、以下のようなUIが表示されます。

edge-tts
qwen3-tts 少し時間がかかります。

実施例

edge-tts:

qwen3-tts:

ライブラリの比較

ssmlを使用するという観点でまとめています。使うには、サービス登録が必要なようで、実際には試せていません。
オープンな環境で使用できるものでは、自然に近いものとしては、edge-ttsがまだましといった感じです。(2026/4)

ライブラリSSML対応日本語ネット備考
edge-tts❌(確認範囲)✅必要Colab でブロックされやすい
gTTS❌✅必要シンプルだが制御不可
Google Cloud TTS✅✅必要APIキー必要・高品質
Amazon Polly✅✅必要AWSキー必要
pyttsx3❌△不要ローカル・品質低め

irodori

Irodori-TTSで行う場合です。

Open In Colab

目的

日本語音声合成モデル Irodori-TTS を Google Colab (T4 GPU) で手軽に使うためのノートブックと、その操作ガイドです。声質・感情・話し方をテキストで指示して音声を作れます。

ファイル構成

ファイル内容
B202_irodori.ipynbColab ノートブック本体(6セル)
index.htmlGradio UI の操作ガイド(日本語の静的ページ)
.gitignore.claude/ や 覚書.txt などを除外

ノートブックの流れ

  1. セットアップ: GPU を確認し、Irodori-TTS を clone して依存関係を入れます。Colab (Python 3.13) 向けに sentencepiece の制約を外し、silentcipher は任意扱いにしています。
  2. Google Drive マウント: プリセット(presets.json)の保存先を用意します。
  3. モデル読み込み: Hugging Face からチェックポイントを取得して bf16 で読み込みます。
  4. Gradio UI: テキストとキャプションを入力して音声を生成します。ステップ数や CFG のスライダー、プリセットの保存・読込・削除、WAV と MP3 のダウンロードがあります。MP3 は lameenc を使うので FFmpeg は不要です。
  5. 基本の音声合成: コードで指定する単発の合成です。
  6. スタイル比較: 同じ文を4種類のキャプションで読み比べます。

ブランチ

ブランチモデル状態
mainv2 VoiceDesign旧世代のまま。セットアップの修正のみ反映済み
02v4.1-Small(ステップ数は自動)Colab で実行できたことを確認済み
03v4-Large(Gemma 利用規約、HF ログイン対応)未検証。モデルの正式なリポジトリ名も未確認

注意点

  • 実行には T4 GPU が必要で、初回はモデルのダウンロードに時間がかかります。
  • テストや README はなく、PR や Issue もまだありません。
  • Large 版のライセンスは Gemma 利用規約で、Small 系とは異なります。商用利用の前にモデルカードを確認してください。

コメント