GPT-SoVITSは、数秒程度の音声サンプルから、似た声の音声を生成できるTTSです。これにより、自分の声や、好きな声を使って、AIボイスを簡単に生成することができます。この記事では、Windowsのローカル環境でGPT-SoVITSを実行する方法をご紹介します。
GPT-SoVITSとは
GPT-SoVITSの機能と特徴、この記事の最終目的についてご紹介します。
GPT-SoVITSの概要
「GPT-SoVITS」とは、音声変換（Voice Conversion、VC）と音声合成（Text-to-Speech、TTS）を組み合わせ、さらにWebUIから使えるようにした、統合ツールです。
簡単に言うと、入力したテキストを好きな声で読み上げさせることができるツールで、日本語にも対応しています。
「GPT」がどのように発音するのかを決めるモデルで、「SoVITS」が音声を生成したり変換したりするモデルです。
オープンソースで開発されており、無料で使用することができます。
ゲーミングPC程度のスペックがあれば、ローカル環境で実行することもできます。
この記事では、Windowsのローカル環境で実行する方法をご紹介しています。
GPT-SoVITSの機能
GPT-SoVITSは、以下のような機能を持っています。
ゼロショットTTS
3～10秒程度の音声サンプルから、似た声の音声を生成できます。
ファインチューニング
1分程度の音声データから、精度を向上させることができます。
音声データ処理
音声分割、ノイズ除去、テキスト変換（ASR）、ラベル付けなどの機能も備えています。
ボイスチェンジャー
今後、実装予定とのことです。
この記事の目的
今回の最終目的は、好きな声で喋るAivisSpeechの音声モデルを作成し、AIチャットシステムのSillyTavernと連携させることです。
この記事では、GPT-SoVITSを利用して、音声モデルの訓練用データを生成するところまでをご紹介しています。
訓練用データの準備をしているだけではありますが、GPT-SoVITS単体で見ても、なかなか面白いと思います。
-
AivisSpeechとSillyTavernを使って、CotomoのようなおしゃべりAIを完全ローカルで実行する方法
オリジナルキャラクターや、AI彼氏・AI彼女と音声チャットを楽しみたい、でもCotomoのようなクラウドサービスはプライバシーが心配、という方向けに、全てWindowsローカル環境で動作するシステムを ...
GPT-SoVITSの使い方
Windowsのローカル環境にGPT-SoVITSをインストールし、数秒のサンプル音声から、AI合成音声を出力するまでをご紹介します。
サンプル音声の準備
まず、3～10秒のwavデータが必要となります。
mp3等は使用できません。
10秒以上の長さでも使用できません。
BGMやノイズが乗っておらず、できるだけ高品質なものが望ましいです。
実はこの後の作業より、サンプル音声データを用意する作業の方が面倒と言えるかもしれません。
ここでは既に準備ができているものとします。
Windowsへのインストール
GPT-SoVITSのインストールは、基本的にはcondaやDockerを使うようになっていますが、Windows用のパッケージも用意されています。
しかしGitHubからダウンロードできるパッケージは、少し古いようです。
そこで、有志がHuggingFaceで公開している、最新版のパッケージを利用します。
上記ページを開き、最新の日付のもの（ここではGPT-SoVITS-v4-20250422fix.7z）をダウンロードします。
ファイル名に「nvidia50」と付いているものは、NVIDIA GeForce RTX 50xxシリーズに最適化されたものです。
お持ちの方は、そちらを選んでください。
7zで圧縮されているので、7-Zip等を使用して、任意のフォルダに展開をしてください。
必要なものは全て含まれています。
WebUIの起動
ファイルが展開できたら、フォルダの中の「go-webui.bat」をダブルクリックして実行するだけなのですが、このままだと中国語で起動してしまいます。
そこでまず、「go-webui.bat」をメモ帳で開きます。
「zh_CN」の文字を削除し、上書き保存します。
消すだけで大丈夫です。
自動的に日本語になります。
go-webui.batをダブルクリックして実行すると、コマンドプロンプトが開きますので、しばらく待ちます。
起動するまでに、数分かかるかもしれません。
ファイアウォールの警告が表示された場合は、許可します。
自動的にブラウザで「http://localhost:9874」が開き、以下のような画面となれば成功です。
「1-GPT-SoVITS-TTS」タブを選択し、バージョンで「v4」を選択します。
「1C-推論」タブを選択し、「有効化TTS推論WebUI」をクリックします。
別ウィンドウで「http://localhost:9872/」が開くまで、数分待ちます。
サンプル音声の登録
別ウィンドウが開いたら、用意していたサンプル音声をアップロードします。
音声のテキストを手入力します。
参照オーディオの言語で「日本語」を選択します。
音声生成
以上で準備は整いました。
「推論テキスト」に、喋らせたいテキストを入力します。
「推論の言語対応を減らしたほうが良い」は、「日本語」を選択します。
「推論を開始」をクリックすれば、短いものであれば数秒で音声が生成されます。
生成される音声は毎回異なるので、何回か試してみて、良い結果だったものをダウンロードしましょう。
今回は単体での利用方法としてご紹介しましたが、次回以降で、音声モデルの訓練用データとして使用したいと思います。
まとめ GPT-SoVITSの使い方とは
GPT-SoVITSは、5秒程度の音声データから、似た声の音声を生成できるTTSです。
Windowsであれば、ファイルを展開するだけで、簡単に使用することができます。
単体で使用しても面白いですが、音声AIモデルの訓練用データを、大量生成するといった使い方もできます。
自分の声を使用するのならばいいのですが、他人の声を使用する場合は、法的に問題がある場合がありますのでご注意ください。
