Style-Bert-VITS2

ttsaudioaiopen-sourceaituber

自分の音声データからカスタム音声モデルを学習できるローカル TTS ソフトウェア。VOICEVOX がプリセットキャラのみなのに対し、Style-Bert-VITS2 はオリジナルの声を作れるのが最大の差別化点。

何をするものか

数分〜数十分の音声データを入力として、その声で任意のテキストを読み上げるモデルを学習する。学習後は API サーバーとして動作し、テキストを送ると音声を返す。

学習に必要なもの

項目要件
音声データ5〜30 分程度（多いほど品質向上）
前処理句ごとに分割 + テキスト書き起こし（自動化ツールあり）
GPUVRAM 8GB 以上推奨
学習時間数時間（GPU 性能依存。1 回やれば完了）
環境Python（セットアップは VOICEVOX より手間がかかる）

音声品質

推論速度

環境レイテンシ
GPU あり100〜300ms（VOICEVOX と同等）
CPU のみ遅い（実用的ではない）

API サーバーとして立てられるので、AITuber アプリから HTTP 経由で呼べる。VOICEVOX と同じ使い方が可能。

VOICEVOX との比較

VOICEVOXStyle-Bert-VITS2
音声プリセットキャラのみ（20 種以上）カスタム音声を学習可能
セットアップインストールだけPython 環境 + 学習パイプライン
学習コストなし音声データ準備 + 数時間の学習
推論速度 (GPU)100〜300ms100〜300ms（同等）
ランニングコスト¥0¥0
APIあり（localhost:50021）あり（HTTP）
音質高い高い（表現力はやや上）

他のカスタム音声の選択肢

方法仕組み特徴
Style-Bert-VITS2音声データから直接 TTS モデルを学習最も直接的。品質が高い
RVC + VOICEVOXVOICEVOX で合成 → RVC でリアルタイム声質変換既存キャラの発話を別の声に変える。レイテンシ増加あり
COEIROINKVOICEVOX フォーク。自作音声モデルの追加に対応API 互換あり。選択肢としてはマイナー

AITuber 用途での現実的な導入パス

  1. まず VOICEVOX のプリセットキャラで AITuber を動かす（即座に開始可能）
  2. オリジナル声が必要になったら Style-Bert-VITS2 で学習
  3. API エンドポイントを差し替えるだけで移行

いきなり Style-Bert-VITS2 から入ると学習データ準備のハードルがある。VOICEVOX で配信パイプラインを確立してから声を差し替えるほうが手堅い。

押さえどころ（カード化候補）

関連

Graph

Backlinks