セットアップ手順
Colab でノートブックを開いたら、セルを上から順番に実行してください。Google Drive 連携（Step 3）は任意です。
ランタイムを T4 GPU に変更
ランタイム → ランタイムのタイプを変更 → T4 GPU を選択して保存。GPU なしでは動作しません。
セットアップセルを実行
Irodori-TTS リポジトリのクローンと依存ライブラリのインストールを行います。初回は数分かかります。
Google Drive マウントセルを実行（任意）
プリセット保存機能を使う場合に実行してください。Google アカウントの認証を求められます。スキップした場合はプリセット保存機能が無効になります。
モデル読み込みセルを実行
HuggingFace から約 2GB のモデルをダウンロードして読み込みます。初回のみダウンロードが発生します。
Gradio UI セルを実行
UI サーバーが起動します。セル出力に表示される public URL（https://xxxx.gradio.live）をブラウザで開いてください。
UI の構成
① 読み上げテキスト
こんにちは。今日はどんなお話をしましょうか？
もしよければ、ゆっくりお話ししますね。
② 声質・感情プロンプト（キャプション）
落ち着いた女性の声で、近い距離感でやわらかく自然に読み上げてください。
③ プリセット
落ち着いた女性
明るい女性
落ち着いた男性
疲れた声
アナウンサー
42
🎙️ 合成する ⑧
⑨ 出力音声
▶
0:00
0:09
✅ 完了（シード: 42、サンプルレート: 48000 Hz） ⑩
⬇️ WAV をダウンロード ⑪
⬇️ MP3 をダウンロード ⑫
▶ 📋 プリセット管理（Google Drive）
⑬ プリセット名
落ち着いた女性_v1
💾 保存 ⑭
🗑 削除 ⑮
⑯ 保存済みプリセット
落ち着いた女性_v1 ▾
📂 読み込む ⑰
🔄 更新
各項目の説明
| # | 項目 | 説明 |
|---|---|---|
| ① | 読み上げテキスト | 音声に変換したい日本語テキストを入力します。長い文章は自動的に処理されます。 |
| ② | 声質・感情プロンプト | 声の雰囲気・感情・話し方を自由なテキストで指定します。日本語・英語・絵文字が使えます。空欄にするとモデルのデフォルト声質になります。 |
| ③ | プリセット | よく使う声質キャプションをワンクリックで入力欄に反映します。5種類を用意しています。 |
| ④ | ステップ数 | 拡散モデルのサンプリングステップ数。多いほど高品質ですが生成に時間がかかります。20〜80、デフォルト 40。 |
| ⑤ | CFG スケール（テキスト） | テキスト内容をどれだけ忠実に音声に反映するかの強度。0.5〜5.0、デフォルト 2.0。 |
| ⑥ | CFG スケール（キャプション） | 声質・感情プロンプトをどれだけ強く反映するかの強度。0.5〜5.0、デフォルト 2.0。 |
| ⑦ | シード | 乱数シードを固定することで同じ結果を再現できます。-1 にするたびランダムな声が生成されます。 |
| ⑧ | 合成するボタン | クリックすると音声生成を開始します。T4 GPU で 10 秒程度かかります。 |
| ⑨ | 出力音声プレーヤー | 生成された音声をブラウザ上で再生できます。 |
| ⑩ | ステータス | 生成完了後に使用されたシード番号とサンプルレートを表示します。 |
| ⑪ | WAV をダウンロード | 生成音声を WAV 形式（非圧縮・高音質）でダウンロードします。 |
| ⑫ | MP3 をダウンロード | 生成音声を MP3 形式（192kbps・ファイルサイズ小）でダウンロードします。 |
| ⑬ | プリセット名（入力欄） | Google Drive に保存するプリセットの名前を入力します。日本語・英数字が使えます。 |
| ⑭ | 💾 保存ボタン | 現在のテキスト・キャプション・全パラメータを指定した名前で Google Drive に保存します。同名が存在する場合は上書きします。 |
| ⑮ | 🗑 削除ボタン | ドロップダウンで選択中のプリセットを Google Drive から削除します。 |
| ⑯ | 保存済みプリセット（ドロップダウン） | Google Drive に保存済みのプリセット一覧が表示されます。選択して「📂 読み込む」で設定を復元します。 |
| ⑰ | 📂 読み込む / 🔄 更新 | 「読み込む」で選択中のプリセットを各入力欄に反映します。「更新」でプリセット一覧を Google Drive から再取得します。 |
プリセットキャプション一覧
落ち着いた女性
落ち着いた女性の声で、近い距離感でやわらかく自然に読み上げてください。
明るい女性 😊
明るく元気な若い女性の声で、笑顔が伝わるように読み上げてください。😊
落ち着いた男性
落ち着いた中年男性の声で、ゆっくりと丁寧に読み上げてください。
疲れた声 😔
少し疲れた様子で、感情を込めてつぶやくように読み上げてください。😔
アナウンサー
NHKのアナウンサーのように、明瞭で標準的な発音で読み上げてください。
使いこなしのヒント
シードを -1 にしてバリエーションを探す
同じテキスト・同じキャプションでも、シードが変わると声の雰囲気が微妙に変化します。気に入った音声が出たときのシード番号をステータス欄でメモしておくと再現できます。
同じテキスト・同じキャプションでも、シードが変わると声の雰囲気が微妙に変化します。気に入った音声が出たときのシード番号をステータス欄でメモしておくと再現できます。
キャプションに絵文字を使う
「😊 笑顔で」「😢 悲しそうに」「😤 怒りながら」など、絵文字は感情表現に効果的です。Irodori-TTS は絵文字を感情制御のヒントとして活用します。
「😊 笑顔で」「😢 悲しそうに」「😤 怒りながら」など、絵文字は感情表現に効果的です。Irodori-TTS は絵文字を感情制御のヒントとして活用します。
ステップ数を下げて速度重視にする
ステップ数を 20 程度に下げると生成速度が上がります。クオリティを確認しながら調整してください。
ステップ数を 20 程度に下げると生成速度が上がります。クオリティを確認しながら調整してください。
CFG スケールで個性を調整する
CFG（キャプション）を上げるとキャプションで指定した声質が強調されます。上げすぎると不自然になることがあるので 1.5〜3.0 の範囲で試してみてください。
CFG（キャプション）を上げるとキャプションで指定した声質が強調されます。上げすぎると不自然になることがあるので 1.5〜3.0 の範囲で試してみてください。
ダウンロード形式の使い分け
WAV は無圧縮なので音編集や高品質用途に、MP3 はファイルサイズを抑えたい場合（Web 公開・SNS 投稿など）に適しています。
WAV は無圧縮なので音編集や高品質用途に、MP3 はファイルサイズを抑えたい場合（Web 公開・SNS 投稿など）に適しています。
Google Drive プリセットでセッションを跨いで設定を保存する
Colab は再起動するとすべての作業が消えますが、プリセット管理アコーディオンから保存した設定は Google Drive（
Colab は再起動するとすべての作業が消えますが、プリセット管理アコーディオンから保存した設定は Google Drive（
マイドライブ/Irodori-TTS/presets.json）に残ります。次回セッションでも Drive マウントセルを実行すれば同じ設定を「🔄 更新 → 📂 読み込む」で復元できます。
注意事項
Colab の無料プランでは GPU 使用時間に制限があります。長時間使用しないときはセッションを終了し、GPU リソースを節約してください。
share=True で発行される public URL は Colab セッションが終了すると無効になります。セッションを再起動したら Gradio UI セルを再実行してください。
初回実行時はモデル（約 2GB）と依存ライブラリのダウンロードに数分かかります。2回目以降はキャッシュが利用されるため短縮されます。
Google Drive マウントセルをスキップした場合、プリセット管理の保存・削除・読み込みボタンはエラーになります（音声合成自体は問題なく使えます）。Drive を使う場合は必ずセットアップの Step 3 を実行してください。