Google Cloud Text-to-Speech のオフライン代替
Google Cloud Text-to-Speech、Amazon Polly、Azure AI Speech はクラウドAPIです。リクエストのたびにテキストが提供元に送られ、無料枠を超えた分は文字数で課金され、アカウント、キー、インターネット接続が必要です。SuperClonica は同じような部品を、自分のマシンで動かせる形で提供します。
このページでは2つの構成を正直に比べ、クラウドAPIのほうが向いている場面と、クラウド呼び出しをローカルに置き換える方法を紹介します。
クラウドAPIか、自分で動かす声か
クラウドAPIは始めやすく、どんな負荷にも対応できます。ローカルエンジンはそれと引き換えに、プライバシーと固定コストを得ます。
- クラウドTTS：マネージドなサーバー、多くの言語と声、使用量に応じた課金、テキストは提供元へ送信。
- SuperClonica：HTTP エンドポイント付きの Docker イメージ、Python ライブラリー、コマンドラインツール。すべてローカルで動きます。
- 約385MBのモデルを一度ダウンロードすれば、サーバーにインターネットは不要です。
- 声は JSON ファイル：内蔵の10種類、カタログの声、自分の録音から学習した声。
クラウドAPIが向いている場面
中国語やとても多くの言語・地域バリエーション、SSML による制御、サービス保証付きのマネージドなスケーリングが必要なとき、あるいは単にサーバーを管理したくないときは、クラウドAPIを選びましょう。SuperClonica は31言語を話し、SSML はなく、自分で管理するハードウェアで動きます。
SuperClonica が向いている場面
私たちのテストでは、短いフレーズが RTX 5070 Ti で0.12秒、Ryzen 7 5800X の4スレッドで0.43秒でした。
- テキストが機密：医療メモ、社内文書、未公開のゲームのセリフ。
- オフラインや閉じたネットワークの中で動かす必要がある。
- 量が多い、または予測できず、文字数課金だと費用もふくらむ。
- キャラクターの声、自社の話し手から学習したブランドの声、31言語すべてで同じ声が欲しい。
API 呼び出しを置き換える
どの CPU でもサーバーを起動できます：docker run -d --name tts -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。GET http://localhost:8000/health が応答したら、リクエストを送ります：curl -X POST http://localhost:8000/synthesize -H "Content-Type: application/json" -d '{"text": "Hello from my own server!", "voice": "F1", "lang": "en"}' -o hello.wav。POST /synthesize は text、voice、lang、seed、normalize を受け取り、16ビットのモノラル WAV を返します。SUPERCLONICA_API_KEY を設定すると Authorization ヘッダーが必須になります。サーバーは HTTPS の背後かプライベートネットワークに置きましょう。独自の声はリクエストに JSON オブジェクトとして入れます。
費用とライセンス
SuperClonica のエンジンと Docker イメージは Apache License 2.0 で公開されています。Supertonic 3 モデルは OpenRAIL-M で、禁止用途のリストの範囲内で商用利用も認める無償のライセンスです。内蔵の声とカタログのいくつかの声は無料で、そのほかは買い切りです。比べる前に、各クラウド提供元の公式サイトで現在の価格を確認してください。