VOICEVOX/voicevox_engine

解決的問題

VOICEVOX ENGINE 提供了一種透過 HTTP 伺服器執行語音合成（TTS）的方法。它讓使用者與開發者能從文字生成高品質的合成語音，調整發音與語調，並在不需從頭建立 TTS 引擎的情況下，將這些功能整合至其他應用程式中。

運作方式

此專案作為一個 HTTP 伺服器運作，公開一組語音合成用的 API。流程通常分為兩個步驟：首先發送 /audio_query 請求以產生合成查詢（包含速度與語調等參數），接著使用該查詢發送 /synthesis 請求，產生最終的 .wav 音訊檔案。支援 CPU 與 GPU 加速（透過 NVIDIA），並可使用 Docker 部署。

適用對象

• 終端使用者：希望為內容創作生成合成語音的人
• 開發者：希望透過 API 將 VOICEVOX 語音合成整合至自身軟體中的人
• 引擎創作者：希望建立可在 VOICEVOX 編輯器中使用的 VOICEVOX 相容引擎的人

主要特色

• 彈性控制：使用自訂符號（AquesTalk 風格）調整語音速度、語調與發音。
• 使用者詞典：完整支援透過 API 增加、編輯與刪除自訂詞彙，以提升發音準確度。
• 進階合成：包含語音混音（混合兩種不同聲音）與歌唱語音合成（使用基於 MIDI 的樂譜）等功能。
• 開發者友善：提供 Docker 影像以簡化設定，具備完整的 API 文件，並支援多引擎實例（多引擎功能）。