XTTS v2の代替：Coqui閉鎖後に変わったことと選び方
CoquiのXTTS v2は今も最も有名なオープン音声モデルの一つで、6秒のクリップから声をクローンし、17言語を話します。代替が探される理由は二つあります。重みはCoqui Public Model Licenseで非商用利用しか認められず、商用ライセンスを販売できた会社は2024年を迎える頃に閉鎖しました。
無料のSuperClonicaエンジンはSupertonic 3モデルを普通のCPUで31言語に対応して動かし、標準音声は商用利用できます。このガイドでは両者を正直に比較し、XTTS v2のほうが向いている場合も説明します。
XTTS v2の概要
XTTS v2は生成時に短いサンプルから声をまねるので、どんな録音も数秒で声になります。英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、ポーランド語、トルコ語、ロシア語、オランダ語、チェコ語、アラビア語、中国語、日本語、ハンガリー語、韓国語、ヒンディー語に対応し、24 kHzの音声を出力します。コードはコミュニティのフォークidiap/coqui-ai-TTSで続いており、MPL 2.0のcoqui-ttsパッケージとして入手できますが、このライセンスはコードのもので、モデルのものではありません。CPMLは、直接的にも間接的にも対価を受け取らない場合に限って重みと生成音声の利用を認めています。NVIDIAのグラフィックカードで最もよく動きます。
音を無料で比べる
カタログのどの声のページでも、XTTS v2で読み上げた30〜100文字の文を貼り付け、言語を選んで読み上げを押してください。登録なしで数秒で比較できます。
SuperClonicaの違い
読み上げは普通のCPUで動きます。当社のテストでは、Ryzen 7 5800Xの4スレッドで短い文が0.43秒でした。グラフィックカードは速くするだけです。31言語を話し、XTTS v2にないスウェーデン語、ギリシャ語、ウクライナ語、ベトナム語、インドネシア語にも対応しますが、中国語にはまだ対応していません。標準の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ます。python -m pip install superclonica-cpuでインストールするか、自分で何も動かさずにSuperClonica APIで同じ声を使えます。
自分の声
XTTS v2は話すたびにサンプルからクローンします。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パソコンを使ってスタジオで一度だけ声を学習させるか、学習してくれる作者に依頼します。その後は小さなファイルになり、どのCPUでもオフラインで話します。クローンするのは自分の声か、本人が同意した声だけにしてください。同意を得て学習させた声は商用利用でき、キャラクターの声はファン作品とパロディ専用です。
どちらを選ぶか
サンプルからの即時クローンが必要な趣味や研究のプロジェクト、中国語、NVIDIAのグラフィックカードがある場合はXTTS v2を。対価を得る用途すべて、XTTS v2にない言語、すぐ使えるキャラクターやナレーターの声、普通のサーバーでの手軽な運用にはSuperClonicaを。まず同じ文で両方を試すこともできます。