ガイド

ポッドキャストと会話のためのVibeVoiceの代替

MicrosoftのVibeVoiceは、TTSモデルが最大4人の話者で最大90分の音声、つまりポッドキャスト1回分を一度に生成できることで話題になりました。2025年9月5日、メンテナーは不正利用を確認したとしてVibeVoice-TTSのコードをリポジトリから削除し、モデル表ではTTS-1.5Bの重みが無効と表示されています。残っているのは約10分の音声に対応するストリーミングモデルVibeVoice-Realtime-0.5Bで、プロジェクトはモデルが研究開発専用だとしています。

複数の声のポッドキャストや会話が目的なら、無料のSuperClonicaエンジンは別の方法で実現します。話者ごとに声を割り当て、セリフを1行ずつ読み上げ、1つのファイルにつなぎます。普通のCPUでオフラインで動き、標準音声は商用利用できます。

ポッドキャストの声を選ぶ 無料エンジンをインストール

VibeVoiceに何が起きたか

VibeVoiceのリポジトリはMITライセンスで、音声認識モデルと、ストリーミング入力で約300 msで最初の音が出るTTSモデルRealtime-0.5Bは今も公開されています。長尺TTSのコードは2025-09-05に削除され、TTS-1.5Bの重みは無効と記載されています。これを土台にする前に、リポジトリの現状を確認してください。

まず声を聴く

カタログのどの声のページでも、台本の1行（30〜100文字）を貼り付け、言語を選んで読み上げを押してください。登録なしで数秒で、誰を司会にしてゲストにするか決められます。

1つの台本から2人のポッドキャスト

python -m pip install superclonica-cpuでエンジンをインストールします。台本は1行に1人の話者で書きます。たとえば「A: 番組へようこそ。」「B: ありがとうございます。」のように。話者ごとに声（司会はF2、ゲストはM3など）を割り当て、各行を読み上げて短い間でつなぎます。AI会話のガイドに、そうした台本を1つのWAVにするPythonのスニペットがあります。長い回は行が増えるだけで長さの上限はなく、1行直せば読み直すのも1行だけです。

VibeVoiceのほうが強かったところ

長尺モデルは会話全体を一度に読むので、話者の交代や笑い、つなぎがより自然に聞こえることがあり、VibeVoiceは中国語も話せました。1行ずつの読み上げは各行を細かく管理でき、どのパソコンでも動きますが、重なりや割り込みは別の短い行として書く必要があります。

公開できる声

標準10音声（M1〜M5、F1〜F5）はモデルライセンスOpenRAIL-Mのもとで商用利用でき、自分や同意した人の録音から学習させた声も同様です。カタログのキャラクターの声はファンが作ったもので、ファン利用とパロディ専用です。本物の録音と取り違えられるような、実在の人物どうしの偽の会話は絶対につくらないでください。