ガイド

31言語に対応する GPT-SoVITS の代替

GPT-SoVITS は、もっとも人気のあるオープンソースの声のクローンプロジェクトの1つです。5秒のサンプルで即座にクローンでき、約1分の音声で微調整でき、学習データを準備するツール付きの WebUI もあります。一方で対応は5言語で、良い声を得るにはグラフィックカード付きのPCでデータを準備するのが普通です。

無料の SuperClonica エンジンは、Supertonic 3 モデルを31言語、ふつうのCPUで動かし、すぐ使える声のカタログがあります。このガイドでは両者を正直に比べ、GPT-SoVITS のほうが向いている場合も紹介します。

音声を見る SuperClonica エンジンをインストール

GPT-SoVITS の概要

中国語や日本語の声、そしてデータセット作りを楽しめる人にとって優れたツールです。

  • 5秒のサンプルから学習なしでクローンし、約1分の音声で微調整。
  • 5言語：中国語、英語、日本語、韓国語、広東語。
  • 声の分離、録音の切り出し、学習データのラベル付けができる WebUI。
  • MIT ライセンスで開発は活発。NVIDIA のグラフィックカードでは速く、CPUでは遅め。

音を無料で比べる

どの声のページでも、GPT-SoVITS 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 の違い

読み上げはふつうのCPUで動きます。私たちのテストでは、Ryzen 7 5800X の4スレッドで短い文が0.43秒でした。

  • 31言語：スペイン語、ドイツ語、フランス語、ロシア語、ポルトガル語、イタリア語、ポーランド語、ヒンディー語など。中国語と広東語は含まれません。
  • すぐ使える声：10の標準音声と、無料デモ付きの170以上のカタログ音声。データセットは不要です。
  • 各音声は約0.3MBの JSON ファイルで、モデルのすべての言語を話します。
  • インストールはコマンド1つ：python -m pip install superclonica-cpu。HTTP API 付きの Docker イメージもあります。

自分の声

GPT-SoVITS は生成時にサンプルから声をまねます。SuperClonica では、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でスタジオで一度学習させるか、取引所で学習してくれる作者に注文します。その後はどのCPUでも、31言語すべてで動き、元の録音のなまりが少し残ります。クローンするのは、持ち主が同意した声だけにしてください。

どちらを選ぶか

中国語・広東語・日本語の声、サンプルからの即時クローン、NVIDIA のグラフィックカードがあるなら GPT-SoVITS を。ヨーロッパの言語やそのほかの対応言語、すぐ使えるキャラクターやナレーターの声、ふつうのサーバーでの手軽な運用なら SuperClonica を。両方を使い分けるのもありです。中国語と広東語には一方を、それ以外にはもう一方を。