ガイド

Gemini TTS の代わり：自分で動かすオフライン音声エンジン

Google の Gemini モデルは話すことができます。Gemini API や AI Studio を通じて、100を大きく超える言語でテキストを表情豊かな音声にし、スタイルの指示も普通の言葉で書けます。多くのプロジェクトにとって、いちばん手軽な出発点です。一方で、すべてのテキストをクラウド API に送り、トークン単位で支払うことこそ避けたい、というケースもあります。

SuperClonica はもう一つの道です。自分のパソコンやサーバーで動く無料エンジン、31言語の自然な声、170以上のカタログボイス、自分で学習させる声。このガイドでは両者を率直に比べ、それぞれが向く場面を紹介します。

音声を見る SuperClonica エンジンをインストール

Gemini TTS の得意なこと

クラウド API のモデル名や料金はよく変わります。予算を立てる前に、Google の公式ドキュメントと料金ページを確認してください。

  • 中国語を含む100以上の言語に対応し、入力の言語は自動で判別されます。
  • スタイルやテンポを普通の言葉で指示でき、2人の話者の対話も1回のリクエストで作れます。
  • 30の既成ボイスと、さらに大きなボイスライブラリ。出力は 24 kHz の WAV です。
  • クラウドサービスなので、Google アカウントと API キーが必要で、利用はトークン単位で課金されます。

SuperClonica を無料で試聴

どの声のページでも、30〜100文字の文を入力し、言語を選んで生成ボタンを押します。数秒で Gemini で聞いた音声と比べられ、アカウントは不要です。

オフラインのエンジンが向く場面

同じテキスト、声、seed なら常に同じファイルになるので、1年後に台本を作り直しても同じ音になります。

  • プライバシー：テキストが手元のマシンから出ません。社内文書、顧客データ、未発表の台本で重要です。
  • コスト：ハードウェアの後は音声は無料。長い本や大量の音声でも請求は増えません。
  • オフライン：モデルをダウンロードすれば、インターネットは不要です。
  • 自分の声：SuperClonica のスタジオで一度学習させれば、プロジェクトごとの制限なしにどこでも使えます。

半日で乗り換え

エンジンを python -m pip install superclonica-cpu で入れてコマンドラインや Python から音声化するか、HTTP サーバーを起動します：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。POST /synthesize に WAV で応答するので、クラウド API を呼んでいたサービスは新しいアドレスと声の名前を用意するだけです。声は手元に残るファイルで、モデルの更新で消えてしまう名前ではありません。

選び方

中国語や31言語以外の言語が必要なとき、言葉の指示で感情を演出したいとき、クラウドの請求が気にならないときは Gemini TTS を。プライバシー、固定のコスト、オフラインでの作業、自分の声がより大切なら SuperClonica を。試作はクラウドのモデル、本番の大量処理は自前のエンジン、と両方使うチームも多くあります。