alexturkey/voxcpm2-turkce-ses-tasarimi

解決する課題

このプロジェクトは、控えめなハードウェア（特に4 GB GPU）で合成音声をローカルに設計・利用するための、プライバシー重視の方法を提供します。参照音声に基づく文単位の生成方式により、長い音声で一貫性が失われる「音声ドリフト」の問題を解決し、音色とスタイルを安定させます。

仕組み

VoxCPM2モデルとパッチ適用済みのオーディオエンジンを組み合わせて使用します。希望する音声のテキスト説明を提供すると、システムが複数のバリエーションを生成します。お気に入りを選択すると、その特定の録音を参照としてテキストを読み上げます。固定シードと参照を使用して文ごとにテキストを処理することで、出力が最初から最後まで一貫していることを保証します。新しい音声の設計と、自分の音声のクローン作成（明示的な許可が必要）の両方に対応したローカルWebインターフェースとコマンドラインツールが含まれています。

対象ユーザー

クラウドサービスに依存せず、ローカルで高品質な合成音声を生成したいユーザー向けに設計されています。ビデオ、オーディオブック、ポッドキャスト用に一貫した音声ナレーションを必要とするクリエイターに特に役立ち、VRAMが限られたユーザー（4 GB GTX 1050 Tiなど）やApple Silicon Mac向けに最適化されています。

ハイライト

• 完全にローカルで動作し、ネットワーク経由でデータが送信されることはありません。
• 8言語（トルコ語、英語、フランス語、ドイツ語、スペイン語、ロシア語、中国語、日本語）の14種類の既製合成音声が含まれています。
• 低メモリハードウェア向けに最適化（ピークVRAM約2.8 GB）。
• Windows向けのワンコマンドインストーラーとApple Siliconのサポートが含まれています。
• 同意に基づく保護措置を備えた個人使用向けの「音声クローン」機能を提供します。
• カスタム辞書による発音の精密な制御が可能です。