ガイド

CPU で動く Bark・Tortoise TTS の代替

Bark と Tortoise TTS は、オープンソースの音声合成がどれほど自然に聞こえるかを示し、今も毎日ダウンロードされています。ただ、実運用では扱いにくい面があります。Bark は即興し、Tortoise は NVIDIA のグラフィックカードと忍耐を要し、どちらのリポジトリも2024年から更新されていません。

無料の SuperClonica エンジンは、Supertonic 3 モデルをふつうのCPUで動かし、テキストを書いたとおりに読み、長文もすばやく読み上げます。このガイドでは3つを正直に比べ、Bark や Tortoise のほうが向いている場面も紹介します。

音声を見る SuperClonica エンジンをインストール

代替が求められる理由

どちらも重要な研究プロジェクトですが、長文や大量のセリフ、ふつうのPCでは苦労が始まります。

  • Bark はテキストから音声を生成するモデルで、作者自身が「台本から予想外に外れることがある」としています。
  • Bark は約12GBのビデオメモリ（小型モデルで8GB）が必要で、CPUではかなり遅くなります。
  • Tortoise は自分のPCに NVIDIA のグラフィックカードが必要で、速度より品質を重視して作られています。
  • どちらのリポジトリも最終更新は2024年です。

音を無料で比べる

どの声のページでも、Bark や Tortoise で読み上げた文を30〜100文字で貼り付け、言語を選んで生成ボタンを押します。数秒で比較できます。アカウントは不要です。

SuperClonica で変わること

何百ものセリフを耳で確認するとき、結果が予測できることが何より重要です。

  • インストールはコマンド1つ：python -m pip install superclonica-cpu。Docker イメージでHTTPサービスとしても動かせます。
  • 短いフレーズならふつうのCPUで1秒を大きく下回ります。私たちのテストでは Ryzen 7 5800X の4スレッドで0.43秒でした。
  • テキストは書いたとおりに読まれ、即興の音は入りません。同じ seed なら同じテイクを再現できます。
  • 長文は自然な間で分割され、1つのファイルにまとめられます。

プリセット、クリップ、学習した声

Bark には100以上の話者プリセットがありますが、自分の声のクローンはできません。Tortoise は生成のたびに参照クリップから声をまね、グラフィックカード上で動きます。SuperClonica には10の標準音声と、それぞれ無料デモ付きの170以上のカタログ音声があります。自分の声は、同意を得た話者の5〜10秒のきれいな録音から、NVIDIA のグラフィックカードを積んだPCで SuperClonica のスタジオで一度学習させるか、取引所で注文します。その後はどのCPUでも動きます。

Bark や Tortoise のほうが向いている場合

笑い声、ため息、音楽、効果音を音声に含めたい場合や、Supertonic 3 が話せない中国語が必要な場合は Bark を。数個のクリップからすぐに声をまねたく、生成のたびに使える NVIDIA のカードがあるなら Tortoise を。ふつうのハードウェアで、31言語のクリーンで予測可能な音声を大量に作るなら SuperClonica を選びましょう。