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)
colabでセルを実行すると、以下のようなUIが表示されます。


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。
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.ipynb | Colab ノートブック本体(6セル) |
index.html | Gradio 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
- 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。 - Google Drive マウント: プリセット(
presets.json)の保存先を用意します。 - 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。
- 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。 - 基本の音声合成: コードで指定する単発の合成です。
- 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 |
|---|---|---|
main | v2 VoiceDesign | 旧世代のまま。セットアップの修正のみ反映済み |
02 | v4.1-Small(ステップ数は自動) | Colab で実行できたことを確認済み |
03 | v4-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