PowerBeef/Vocello

解決する課題

Vocello は、ローカルファーストでプライベートなボイススタジオであり、Apple デバイス上でテキストから高品質な音声を生成できます。クラウドベースの TTS サービス、アカウント、クレジットを不要にし、すべてのスクリプトと録音がデバイスから出ないことを保証します。

仕組み

このアプリケーションは、MLX 上に構築されたネイティブ Swift ランタイムを使用して、Qwen3-TTS モデルをローカルで実行します。Python ラッパーやローカルサーバーを避け、代わりにファーストパーティエンジンを利用してオーディオチャンクをストリーミングし、出力長に関係なくメモリ使用量を低く一定に保ちます。3つの主要モードをサポートしています：内蔵ボイスの使用、自然言語の説明によるボイスデザイン、オーディオリファレンスからのボイスクローニングです。

対象ユーザー

Apple Silicon Mac（macOS 26+）と iPhone 15 Pro 以降（iOS 26+）を使用するコンテンツクリエイターと開発者で、高性能でプライベートなオンデバイスのテキスト読み上げ生成を必要とする方。

ハイライト

• ローカルファーストのプライバシー：すべての生成、履歴、音声データはローカルに保存され、クラウドサーバーに送信されるデータはありません。
• ボイスデザインとクローニング：テキスト説明から音声を作成したり、オーディオファイル（WAV、MP3、AIFF、M4A、FLAC）から既存の音声をクローンしたりできます。
• 多言語サポート：英語、中国語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語を含む10言語を自動検出します。
• 高性能：Apple Silicon 向けに最適化され、8GB M2 Mac でリアルタイムより高速な生成を実現します。
• 長文プロジェクト：900文字を超えるスクリプトをセグメントごとにストリーミングし、単一の完成ファイルに順次結合します。
• AI ウォーターマーク：WAV ファイルに聞こえない AudioSeal ウォーターマークと来歴ノートを含みます（バージョン 3.0）。