VOICEVOX/voicevox_engine

何を解決するか

VOICEVOX ENGINE は HTTP サーバーを介して音声合成（TTS）を実行する方法を提供します。ユーザーおよび開発者は、テキストから高品質な合成音声を生成し、発音や抑揚を調整し、TTSエンジンを自前で構築しなくても他のアプリケーションに統合できます。

動作方法

このプロジェクトは、音声合成用のAPIを公開するHTTPサーバーとして動作します。通常、2段階のプロセスで処理されます。まず /audio_query リクエストを送信して合成クエリ（速度や抑揚などのパラメータを含む）を生成し、次にそのクエリを使って /synthesis リクエストを送信して最終的な .wav 音声ファイルを生成します。NVIDIAを介したGPU加速とCPU加速の両方をサポートしており、Dockerでデプロイ可能です。

対象ユーザー

• エンドユーザー：コンテンツ制作用に合成音声を生成したい人
• 開発者：API経由で VOICEVOX 音声合成を自社ソフトウェアに統合したい人
• エンジン作成者：VOICEVOXエディタ内で使用可能な、VOICEVOX互換エンジンを構築したい人

特徴

• 柔軟な制御：独自の表記法（AquesTalk風）を使って、発話速度、抑揚、発音を調整可能。
• ユーザー辞書：カスタム単語の追加・編集・削除を完全にAPIでサポートし、発音の正確性を向上。
• 高度な合成：2つの異なる声をブレンドする「ボイスモーフィング」や、MIDIベースのスコアを使用する「歌い声合成」などの機能を含む。
• 開発者向け：Dockerイメージによる簡単なセットアップ、包括的なAPIドキュメント、複数エンジンインスタンス（Multi-Engine機能）のサポートを提供。