CPU リアルタイム推論
ONNX 最適化により Style-Bert-VITS2 比で短いテキストは1.5倍、長いテキストは3.3倍速い CPU 単独推論。
GPU では torch.compile でさらに高速化されます。
どうやったのか
HayaKoe好きな声で作ったTTSを、
CPUだけで準リアルタイムに。
動画や録音さえあれば、データ準備・学習・ベンチマーク・デプロイまですべてお任せください。
Skip to content
このような声を作れます
デフォルト提供の話者が同じ文章（「こんにちは、はじめまして。」）を話すサンプルです。
JVNV jvnv-F1-jp — 女性話者 1
JVNV jvnv-F2-jp — 女性話者 2
JVNV jvnv-M1-jp — 男性話者 1
JVNV jvnv-M2-jp — 男性話者 2
つくよみちゃん tsukuyomi_chan — アニメ風
あみたろ amitaro_normal — ノーマル
あみたろ amitaro_runrun — ワクワク
あみたろ amitaro_yofukashi — 落ち着き
あみたろ amitaro_punsuka — 怒り
あみたろ amitaro_sasayaki_a — ささやきA
あみたろ amitaro_sasayaki_b — ささやきB
自分のノートPCで、CPUだけで、上記のサンプルを実際に作ってみたい方は 10分で試す へ。
簡単に試すと
インストール
bash
pip install hayakoebash
pip install torch --index-url https://download.pytorch.org/whl/cu126
pip install hayakoe[gpu]CPU プロファイルは PyTorch が不要なのでインストールが短く、イメージも軽量になります。
GPU プロファイルは追加の依存関係をインストールする代わりに、より高速に推論します。
推論
python
from hayakoe import TTS
text = "こんにちは、はじめまして。"
tts = TTS().load("jvnv-F1-jp").prepare()
tts.speakers["jvnv-F1-jp"].generate(text).save("hello.wav")すぐに hello.wav を聴いてみてください！
デフォルトで提供される話者は11名です。
jvnv-F1-jp/jvnv-F2-jp/jvnv-M1-jp/jvnv-M2-jp— JVNV コーパスベースtsukuyomi_chan— つくよみちゃんコーパスベースamitaro_normal/amitaro_runrun/amitaro_yofukashi/amitaro_punsuka/amitaro_sasayaki_a/amitaro_sasayaki_b— あみたろ ITAコーパスベース
上記コードの "jvnv-F1-jp" の部分を変えるだけで他の声もすぐに聴けます。
GPU プロファイルでインストールした場合は TTS(device="cuda") パラメータを追加するだけで GPU 推論ができます。
どのドキュメントを読めばいいですか？
- まず クイックスタート に沿って進めてみてください。インストールから初回合成、ベンチマークまで、この TTS がどれほど速いか・音質はどうか直接確認できます。
- もっと試したくなったら 自前話者の学習 へ。好きな声が入った動画1つでデータ準備からデプロイまで全工程を案内します。
- 自分だけで使うのはもったいないなら サーバーへデプロイ へ。FastAPI・Docker 上で API として公開する方法をまとめました。
- 技術的に深く掘り下げたいなら 深掘り へ。どこをどう手を入れてこれだけの速度・メモリ改善を得たのか、改善ポイントを一つずつ解説します。
- つまずいた部分があれば FAQ へ。キャッシュパス・Private HF・S3・多話者メモリなどの詳細設定をまとめています。
音声データクレジット
本プロジェクトの音声合成には以下の音声データを使用しています。
- つくよみちゃんコーパス (CV.夢前黎, © Rei Yumesaki) — https://tyc.rei-yumesaki.net/material/corpus/
- あみたろの声素材工房 ITAコーパス読み上げ音声 — https://amitaro.net/