ガイド

StyleTTS 2 と Parler-TTS の代替：31言語に対応

StyleTTS 2 と Parler-TTS は、よく知られたオープンな音声合成プロジェクトです。StyleTTS 2 の論文は英語データセットで人間並みの評価を報告しており、Hugging Face の Parler-TTS は声を言葉で説明できます。どちらもまずは研究用のコードで、StyleTTS 2 のリポジトリの最終更新は2024年、Parler-TTS は2024年12月です。

無料の SuperClonica エンジンは、ふつうのCPUで動く pip パッケージで、31言語を話し、すぐ使える声のカタログが付いています。このガイドでは率直に比較し、StyleTTS 2 や Parler-TTS のほうが向く場面も紹介します。

音声を見る SuperClonica エンジンをインストール

StyleTTS 2 と Parler-TTS の概要

英語の研究、ファインチューニングの実験、言葉で説明する声には、どちらも本格的なツールです。

  • StyleTTS 2：LJSpeech と LibriTTS で学習した英語モデル。コードは MIT ライセンスで、LibriTTS モデルでは参照音声からスタイルを移せます。
  • 学習済みモデルには条件があり、その声の使用許可がない場合は、合成音声であることを聞き手に伝える必要があります。推論には GPL ライセンスの音素化ツール espeak-ng を使います。
  • Parler-TTS：英語の Mini（8.8億パラメーター）と Large（23億）、さらに8つのヨーロッパ言語に対応する Mini Multilingual v1.1。すべて Apache 2.0 です。
  • Parler-TTS の声は、性別、話す速さ、高さを文章で説明するか、名前の付いた34人の話者から選んで決めます。

無料で聞き比べる

どの声のページでも、StyleTTS 2 や Parler-TTS で作った文を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。数秒で自分の文で聞き比べられます。アカウントは不要です。

SuperClonica の違い

ふつうのCPUで動きます。当社のテストでは、短い文が Ryzen 7 5800X の4スレッドで0.43秒でした。

  • 日本語、ロシア語、韓国語、トルコ語、ヒンディー語、アラビア語を含む31言語。中国語は含まれません。
  • すぐ使える声：標準ボイス10種と、無料デモ付きのカタログの声170種以上。
  • 声は約0.3 MB 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）、または HTTP API 付きの Docker イメージ。

声を言葉で説明するか、学習させるか

Parler-TTS はリクエストごとに新しい説明を受け取り、StyleTTS 2 は参照音声のスタイルに合わせます。SuperClonica では、声はクリーンな5〜10秒の録音から NVIDIA のグラフィックカードを積んだPCのスタジオで一度だけ学習するか、エクスチェンジで作者に依頼します。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わずかに残ります。持ち主が同意した声だけをクローンしてください。

どれを選ぶか

英語の研究やファインチューニングなら StyleTTS 2、英語または8つのヨーロッパ言語で声を言葉で説明したいなら Parler-TTS。それ以外の言語、すぐ使えるナレーターやキャラクターの声、CPUでの速さ、pip コマンド1つか Docker イメージ1つで済むインストールなら SuperClonica を選びましょう。