PierrunoYT/Kokoro-TTS-Local

何を解決するか

このプロジェクトは、Kokoro-82M音声合成モデルのローカル実装を提供します。クラウドベースのTTSサービスに依存することなく、ユーザー自身のハードウェア上で高品質な音声を生成できるようにし、初期設定後は完全にオフラインで動作します。

動作方法

Kokoro-82Mモデル（8200万パラメータ）をラップし、Hugging Faceからモデル重みと音声ファイルの自動ダウンロードを実現します。ユーザーはコマンドラインインターフェース（CLI）またはGradioベースのWebインターフェースでシステムとやり取りできます。複数の出力形式（WAV、MP3、AAC）をサポートし、CUDA対応GPUを活用して音声生成を高速化できます。

対象ユーザー

• 外部APIに依存せずに高品質なローカルTTSを希望する開発者やユーザー。
• プライバシーまたは接続性の理由でオフライン音声合成が必要な人。
• 9言語をサポートする多言語TTSソリューションを探しているユーザー。

特徴

• 多言語対応: アメリカ英語、イギリス英語、日本語、中国語（普通話）、スペイン語、フランス語、ヒンディー語、イタリア語、ブラジルポルトガル語を含む9言語の54のボイスを搭載。
• 柔軟なインターフェース: インタラクティブなCLIと、お気に入りのボイスと速度の組み合わせを保存できる「スピードダイヤル」プリセット付きのWeb UIを提供。
• オフライン対応: HF_HUB_OFFLINE環境変数を設定することで完全なオフラインモードをサポート。
• クロスプラットフォーム: Windows、Linux、macOSに対応し、Dockerによるデプロイを簡素化。
• 包括的な診断ツール: Pythonバージョン、CUDAの利用可能性、システム依存関係を検証する kokoro-tts-check ツールを搭載。