自分の NVIDIA GPU で TTS の声を学習する
音声合成モデルをゼロから学習するには、何時間ものきれいな録音と本格的なハードウェアが必要です。でも多くの人に必要なのはそれではなく、良いモデルが話せる新しい声ひとつです。SuperClonica が学習するのはまさにそれで、オープンな多言語モデル Supertonic 3 用の声を、5〜10秒のきれいな録音1本から作ります。
このガイドでは、必要なもの、NVIDIA のグラフィックカードを積んだPCをワーカーとして接続する方法、スタジオでの学習の流れ、完成した声の使い方と販売方法を紹介します。自分のハードウェアでの学習は無料です。
何を学習するのか、なぜ速いのか
ベースモデルはすでに31言語を話せます。学習ではそのモデル用の声、つまり録音の声質と話し方を表す小さな JSON ファイルを見つけます。だから短い参照音声1本で足り、完成した声はふつうのCPUでオフラインに動きます。
PCの要件
ワーカーのクライアントは Windows で動きます。モードはワーカーのカードで選び、「自動」ではワーカーが空きメモリを待ち、15分後に「ミニ」に切り替わります。
- Windows 10/11（64ビット）、NVIDIA RTX 20シリーズ以降（GTX 16 も可）、ドライバー 580 以降。
- フル品質：12GB 以上（16GB 推奨）のビデオメモリと 32GB の RAM。
- ミニモード：8GB のビデオメモリと 16GB の RAM。声の似かたは少し下がります。
- 15GB の空きディスク容量と、有効にした Windows のページファイル。
ステップ1：声と参照音声を作る
スタジオで声を作り、参照音声を追加します。5〜10秒のきれいな録音と、その正確なテキスト（一字一句）です。静かな部屋で、話者は1人、音量を一定に、目指す話し方で録音しましょう。自分の声か、同意を得た人の声を使ってください。
ステップ2：PCをワーカーとして接続
「マイワーカー」を開いてワーカーを追加し、SuperClonicaWorker.zip をダウンロードします。プラットフォームのアドレスと個人トークンが入った worker.json 付きのクライアントです。解凍して SuperClonicaWorker.exe を起動すると、初回に残りをダウンロードし、その後は自動で更新されます。ワーカーはあなたの声だけを学習します。
ステップ3：学習してチェックポイントを比べる
参照音声の「学習」を押し、ステップ数を選んで開始します。ページには過去の学習から見た500ステップの所要時間の目安が出ます。学習中はチェックポイントをデモと参照音声への類似度で比べ、いちばん有望なものの学習を続けます。
ステップ4：声を使う・販売する
学習ページで JSON を無料でダウンロードし、無料の SuperClonica エンジンでどんなテキストもオフラインで読み上げます：python -m pip install superclonica-cpu のあと superclonica --text "こんにちは！" --voice my-voice.json --lang ja --output hello.wav。希望すれば、カバー、説明、価格を付けてカタログで公開したり、取引所でほかのユーザーから声の注文を受けたりできます。