HAKORADev/VODER

何を解決するか

VODER は、あなたのマシンに完全にローカルでオフラインで動作する、プロフェッショナルクラスの音声処理ツールキットです。8つのモード（音声認識、音声合成、ボイスコンバージョン、音楽生成、音声強化、サウンドエフェクト、ボーカル分離、話者ダイアライゼーション）を1つのコマンドラインインターフェースに統合し、複数の別々のツールやクラウドサブスクリプションの必要性を排除します。また、複数話者による記録、ノイズの多い音声、言語の壁といった課題に対処するため、話者分離、ダブイング、任意の言語間翻訳などの機能を備えています。

動作方法

VODER は、1つの CLI を通して複数のオープンソースAIモデルを統合的に制御します。python voder.py tts や stt のような1つのコマンドを実行すると、適切なモデルにルーティングされます：Whisper は音声認識、Qwen3-TTS と Fish Audio S2-Pro は音声合成・クローン生成、Seed-VC はボイスコンバージョン、ACE-Step は音楽生成、TangoFlux はサウンドエフェクト、UniSE は強化、pyannote はダイアライゼーションに使用されます。さらに、YouTube、TikTok などからのURLをスマートに受け取り、動画であることを検証して自動でダウンロードする入力パイプラインも搭載しています。8つのモードに加え、3つのタスクレイヤーが機能を拡張します：train は再利用可能なボイスクローンを .tts/.ttse ファイルとして保存、quest はURLダウンロードや音声操作などの軽量なサブタスクを提供、chains では複数のタスクをカスタムパイプラインとして組み合わせられます（例：音楽生成 → ボーカル分離 → ボイス学習 → 動画ダブイング）。別途、Project Eva DLC は Flux 2 Dev や MiniMax H3 などのモデルを使って、テキストから画像生成、テキストから動画生成（音声付き）、動画編集、3Dシーン生成、ローカルチャット（VADAR）を可能にし、それぞれが独立した環境で実行されます。

対象ユーザー

VODER は、コンテンツクリエイター、ポッドキャスター、動画編集者、ミュージシャン、声優、クラウドコストやプライバシーの懸念なしにプロフェッショナルな音声処理が必要なすべての人々を対象としています。CLIユーザーだけでなく、GUI（利用可能）を好むユーザーにも適しています。すべてのモードがCPUで動作するため、専用GPUがなくても利用可能ですが、GPUがあると処理が高速化されます。

特徴

• 1つのツールで8つの主要処理モード：TTS、STS（ボイスコンバージョン）、TTM（音楽）、STT（音声認識）、SE（強化）、SFX（サウンドエフェクト）、SVS（ボーカル分離）、SS（話者分離）。
• スクリプトディレクティブによる複数話者対話システム：各行のタイミング、音量、持続時間の制御、埋め込みサウンドエフェクト、自動バックグラウンドミュージック。
• ボイスデザインとクローン：自然言語でボイスを記述、またはリファレンス音声からクローン生成、同じ会話内で両方をミックス可能。
• 言語変換とダブイング：元の話者の声を維持したまま音声を翻訳、動画用にセグメント単位のタイミング同期を自動調整。
• スマートな入力パイプライン：YouTube、TikTok、Bilibili、Snapchat、Instagram、Facebook、X/Twitter からのURLを貼り付けるだけで、画像アップロードによるOCRも可能。
• タスクレイヤー：train は再利用可能なボイスクローンを .tts/.ttse ファイルとして保存、quest はメディア操作ユーティリティを提供、chains でカスタムパイプラインを構成。
• Project Eva DLC は、テキストから画像生成、テキストから動画生成（音声付き）、動画編集、3Dワールド生成、および非制限ローカルチャット（VADAR）を拡張可能 — すべて同じCLIパターンで利用可能。
• オフライン動作、CPUまたはGPUで実行可能、外部依存はFFmpegのみ必要。