Irodori-TTSをローカル環境で動かそう！

皆さんこんばんは！こんにちは。ロト君です。
今回は「Irodori-TTS」をローカル環境で動かせていこうと思います！！

Irodori-TTSとは？

「Irodori-TTS」は、日本語に特化したAI音声合成ソフトです。

開発者は Aratako さんで、オープンソース（MITライセンス）で無料公開されています。

最大の特徴が、自分のPCだけで音声合成が完結する「ローカル動作」ができること。

音声の生成処理がすべて手元のPC上で行われるので、テキストや生成した音声データが外部のサーバーに送信されることはありません。

Aratakoさんに感謝ですね！

Irodori-TSSのインストール前準備

まず初めに本体を入れる前処理をします。

winget install --id astral-sh.uv -e

で、「uv」を使えるようにしておきます。

また、「FFmpeg」も入れておきます。

winget install -e --id Gyan.FFmpeg

Pythonは「3.10.11」を入れています。

Irodori-TSSのインストール

それでは本体のインストールです！

自分の使いたいフォルダを指定して「CMD」をアドレスバーに打ち込みEnter！！

その後、Gitのクローで作成します。

git clone https://github.com/Aratako/Irodori-TTS.git

Gitで作成したら次は「.venv」の仮想環境を作ります。

py -3.10 -m venv .venv

インストールが出来たら「bat」ファイルを作成します。

gradio_app.bat

@echo off
cd /d %~dp0
call .venv\Scripts\activate
uv sync --extra cu128
start "" powershell -NoProfile -WindowStyle Hidden -Command "$url='http://127.0.0.1:7860'; for($i=0; $i -lt 120; $i++){ try { Invoke-WebRequest -UseBasicParsing -Uri $url -TimeoutSec 1 | Out-Null; Start-Process $url; exit } catch { Start-Sleep -Seconds 1 } }"
uv run --no-sync python gradio_app.py
@pause

gradio_app_voicedesign.bat

@echo off
cd /d %~dp0
call .venv\Scripts\activate
uv sync --extra cu128
start "" powershell -NoProfile -WindowStyle Hidden -Command "$url='http://127.0.0.1:7861'; for($i=0; $i -lt 120; $i++){ try { Invoke-WebRequest -UseBasicParsing -Uri $url -TimeoutSec 1 | Out-Null; Start-Process $url; exit } catch { Start-Sleep -Seconds 1 } }"
uv run --no-sync python gradio_app_voicedesign.py
@pause

それぞれは「標準機能版」と「デザイン版」のbatファイルです。

Irodori-TSSの使い方

本体が起動したらこんな画面になります。

初めに、「Load Model」をクリックしモデルを読み込みます。

次に、話してもらい内容を「Text」に打ち込みます。

Textに入力したら、「Generate」！！をクリックします。

私が使ってるGPUは「Blackwell 4000 24GB」なので2秒くらいで、生成しますね！！

まとめ

意外と簡単に生成環境が構築出来ておしゃべりも簡単作成できます。

自分の音声があれば、自分の声で文字の読み上げも可能です。
私はiPhoneで音声を録音し、「FFmpeg」で変換して「wav」を読み込ませて作成しました。

FFmpegでの変換はこんな感じ。

ffmpeg -i "Z:AI\data\voice.m4a" "Z:\AI\data\voice.wav"

「voice.m4a」を「voice.wav」に変換しています。
気軽に声も自作できる時代ですね！！

では今回はここまで！( *´艸｀)ノシ★ミ

もともとの音声データは雑音がない方が綺麗に音声生成が出来ます。