ガイド

OpenAI の音声合成のオフライン代替

OpenAI の音声エンドポイントは、テキスト読み上げを1回のAPI呼び出しにしました。OpenAI のドキュメントによると、そのモデルは非推奨となり、2027年1月6日に提供終了します。後継は別のAPIで動きます。どうせ連携を書き直すなら、音声をそもそも自分のサーバーの外に出す必要があるのか、考える良い機会です。

無料の SuperClonica エンジンは、Supertonic 3 を自前のHTTPサービスとしてふつうのCPUで動かし、標準の声、カタログの声、学習させた声を使えます。このガイドでは両者を正直に比べ、エンドポイントの置き換え方を紹介します。

音声を見る SuperClonica エンジンをインストール

今切り替える理由

OpenAI の声は質が高く、すぐに始められます。切り替える理由は品質ではなく、管理とコストです。

  • 音声エンドポイントのモデル（tts-1, tts-1-hd, gpt-4o-mini-tts）は非推奨で、2027年1月6日に提供終了します。
  • 後継は Realtime API という別の仕組みで動くため、どのみちコードは変わります。
  • リクエストのたびにテキストがクラウドに送られ、使用量で課金されます。
  • インターネットとAPIキーがなければ音声は出ません。

音を無料で比べる

どの声のページでも、アプリの典型的な文を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、今の声の代わりになるか分かります。アカウントは不要です。

エンドポイントを置き換える

多くのアプリは音声を1か所から呼んでいるので、置き換えはたいてい数行で済みます。

  • どのCPUでもサーバーを起動：docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu。
  • POST /synthesize に text、voice、lang を送ると、16ビット・モノラルの WAV が返ります。
  • 形式は OpenAI 互換ではありません。小さなアダプターで input を text に、声の名前を M1〜M5、F1〜F5 または自分の声ファイルに対応させます。
  • SUPERCLONICA_API_KEY を設定し、サーバーは HTTPS の内側かプライベートネットワークに置きましょう。

自分の声

決まった内蔵の声の代わりに、それぞれ無料デモ付きの170以上のカタログの声や、GitHub の superclonica/supertonic-voices リポジトリにある無料の声から選べます。自分だけの声が欲しければ、同意を得た話者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 のスタジオで学習させるか、取引所で注文します。声のファイルは各リクエストに含めて送るので、サーバーは声を保存しません。

OpenAI のほうが向いている場合

Supertonic 3 が話せるのは31言語で、中国語は含まれません。OpenAI の音声合成は中国語を含むより多くの言語に対応しています。エンジンは口調についての文章での指示を受け付けず、話し方は声と句読点で決まります。また、クラウドAPIなら自前のサーバーは不要です。これらが最優先なら OpenAI のままで。プライバシー、コスト、自分の声のほうが大事なら、音声を自前で動かしましょう。