AIVMファイルとは？Aivis Projectの標準フォーマットを解説！

皆さんこんにちは。
感情豊かな音声合成技術を誰もがかんたんに活用できる未来を目指す、Aivis Project です✨

AivisSpeech や AivisHub を利用していると、「AIVM ファイル」や「AIVMX ファイル」という言葉を目にすることがあります。

実際に音声合成モデルをダウンロードした際に、
「AIVM とは何だろう？」
「AIVMX との違いは？」
「普通の ONNX や Safetensors と何が違うの？」
と疑問に思った方もいるのではないでしょうか。

AIVM は、AI 音声合成モデル向けに開発されたオープンファイルフォーマットです。

モデル本体だけでなく、話者情報やスタイル情報、ライセンス情報などもまとめて管理できるよう設計されており、音声合成モデルの配布や利用をよりシンプルにすることを目的としています。

この記事では、
・AIVM と AIVMX の違い
・ファイルの中に何が入っているのか
・どのような技術で実現されているのか
・なぜ音声合成モデルの標準フォーマットを目指しているのか
について、初心者の方にもわかりやすく解説していきます📚

ぜひ最後までご覧ください✨

AIVM とは何か

AIVM（Aivis Voice Model）は、AI 音声合成モデル向けに開発されたオープンファイルフォーマットです。

AIVM は単なるモデルファイルではありません。

音声合成モデル本体に加え、
・話者情報
・ライセンス情報
・スタイル情報
・ボイスサンプル
・学習時の設定情報
など、モデルを利用するために必要なさまざまな情報をまとめて格納できるよう設計されています。

現在は AivisSpeech や AivisSpeech Engine をはじめとする AIVM 対応ソフトウェアで利用されており、音声合成モデルの配布や管理をよりシンプルにすることを目的としています。

従来の音声合成モデル管理の課題

従来の音声合成モデルは、複数のファイルで構成されていることが一般的でした。

例えば Style-Bert-VITS2 系のモデルでは、
・学習済みモデル（.safetensors / .onnx）
・config.json
・style_vectors.npy
・ライセンス情報
・話者アイコン画像
・サンプル音声
などが別々に存在するケースが少なくありません。

そのため、
「必要なファイルが足りず動作しない」
「ライセンス情報が見つからない」
「どのファイルが何のためのものかわからない」
といった問題が発生しやすくなっていました。

また、モデルを配布する側にとっても、
・ZIPファイルでまとめる必要がある
・フォルダ構成の説明が必要になる
・利用規約を別途管理しなければならない
など、運用上の負担が発生していました。

AIVM が解決すること

AIVM は、こうした課題を解決するために設計されました。

AIVM では、
・学習済みモデル
・設定情報
・スタイル情報
・話者情報
・ライセンス情報
などを単一のファイルへまとめて格納できます。

そのため、
「モデルをダウンロードして追加するだけで利用できる」
というシンプルな体験を実現できます。

さらに、ライセンス情報や話者情報もファイル内に保存できるため、
「配布ページが消えて利用条件が分からなくなった」
「どの制作者のモデルだったか分からない」
といった問題も起こりにくくなります。

音声合成モデルの「つくる」「つかう」「わかちあう」を、より簡単にするための仕組み。それが AIVM です📚

AIVM と AIVMX の違い

AIVM について調べていると、「AIVMX」という似た名前のファイル形式を目にすることがあります。

実際に AivisHub でも、
・○○.aivm
・○○.aivmx
の両方が公開されています。

名前が似ているため混同されがちですが、AIVM と AIVMX は用途や内部形式が異なります。

まずは、それぞれの違いを見ていきましょう。

AIVM（.aivm）とは

AIVM（Aivis Voice Model）（.aivm）は、Safetensors 形式をベースとした音声合成モデルファイルです。

主に PyTorch ベースの環境で利用されることを想定しており、
・モデルの学習
・ファインチューニング
・モデルマージ
・研究開発
などの用途に適しています。

内部には学習済みモデル本体に加え、
・AIVM マニフェスト
・ハイパーパラメータ
・スタイルベクトル
・話者情報
などのメタデータが格納されています。

また、Safetensors 形式の拡張仕様として設計されているため、既存の Safetensors 対応ツールとの互換性も確保されています。

AIVMX（.aivmx）とは

AIVMX（Aivis Voice Model for ONNX）（.aivmx）は、ONNX 形式をベースとした音声合成モデルファイルです。

主に音声合成モデルの推論や配布を目的として設計されており、
CPU 環境をはじめ、AMD Radeon GPU や Intel Arc GPU、Web ブラウザ環境などでも利用しやすい形式です。

AIVMX も AIVM と同様に、
・AIVM マニフェスト
・ハイパーパラメータ
・スタイルベクトル
・話者情報
をファイル内に保持しています。

違いは「モデル本体が ONNX 形式で保存されている」という点です。
そのため、軽量かつ移植性が高く、多くのユーザー向けアプリケーションに適した形式となっています。

なぜ2つのフォーマットが存在するのか

AIVM と AIVMX が分かれている理由は、それぞれ想定している利用シーンが異なるためです。

AIVM は、
・モデル学習
・研究開発
・ファインチューニング
など、開発者向けの用途に適しています。

一方で AIVMX は、
・音声合成ソフトでの利用
・CPU 推論
・配布用途
など、エンドユーザー向けの用途に適しています。

つまり、
AIVM は「開発向け」
AIVMX は「利用向け」
のフォーマットと考えると分かりやすいでしょう。

AivisSpeech で使うのはどっち？

AivisSpeech が対応しているのは AIVMX（.aivmx）形式です。

AivisSpeech は ONNX Runtime を採用しており、ONNX ベースのモデルを効率よく実行できるよう設計されています。
そのため、AivisHub からモデルをダウンロードして AivisSpeech で利用する場合は、基本的に AIVMX ファイルを利用します。

AIVM ファイルの中身

AIVM / AIVMX ファイルは、単に学習済みモデルを保存するためのファイルではありません。
音声合成モデルの利用に必要なさまざまな情報を、ひとつのファイルへまとめて格納できるよう設計されています。

その中心となるのが、
・AIVM マニフェスト
・ハイパーパラメータ
・スタイルベクトル
です。

さらに、話者情報やライセンス情報なども含まれており、モデルを利用するために必要な情報を一元管理できるようになっています。

AIVM マニフェストとは

AIVM マニフェストは、音声合成モデルの基本情報を管理するためのメタデータです。
JSON 形式で記録されており、モデル名や制作者情報、対応する音声合成アーキテクチャなどが格納されています。

例えば、
・モデル名
・説明文
・制作者名
・モデルバージョン
・モデル UUID
・対応アーキテクチャ
といった情報が含まれます。

また、話者情報やスタイル情報も AIVM マニフェスト内で管理されています。そのため言わば、「このモデルがどのようなモデルなのかを説明する設計書」のような役割を担っています。

ハイパーパラメータとは

ハイパーパラメータは、音声合成モデルの学習時に使用された設定情報です。

Style-Bert-VITS2 系モデルでは、従来 config.json として管理されていた情報がこれに該当します。

例えば、
・サンプリングレート
・モデル構成
・学習設定
・推論設定
などが保存されています。

AIVM では、これらの情報もファイル内へ格納されるため、別途 config.json を管理する必要がありません。
モデルの再現性や移植性を高める上でも重要な役割を果たしています。

スタイルベクトルとは

スタイルベクトルは、音声の感情表現や話し方の特徴を制御するためのデータです。

Style-Bert-VITS2 系モデルでは、
・ノーマル
・ハッピー
・落ち着き
・元気
といったスタイルの違いを表現するために利用されています。

AIVM では、このスタイルベクトルもファイル内に格納されます。
従来は style_vectors.npy として別ファイルで管理されていましたが、AIVM に統合されることでファイル管理が大幅に簡単になりました。

ユーザーは内部構造を意識することなく、モデルを追加するだけでスタイル機能を利用できます。

話者情報・ライセンス情報とは

AIVM の特徴のひとつが、モデルに関する付帯情報もファイル内へ保存できることです。

例えば話者情報として、
・話者名
・アイコン画像
・対応言語
・スタイル一覧
・ボイスサンプル
などを格納できます。

さらにライセンス情報も保存可能です。
従来は別ファイルや配布ページで管理されることが多かった利用規約やライセンス情報を、モデルと一緒に配布できます。

そのため、
「利用条件が分からない」
「ライセンスページが消えてしまった」
といった問題を防ぎやすくなっています。

単なるモデルファイルではなく、「モデルに関する情報をまとめたパッケージ」として扱えることも、AIVM の大きな特徴です📚

AIVM の技術仕様

AIVM は Safetensors の拡張仕様

AIVM（.aivm）は、Safetensors 形式をベースにした音声合成モデル向けの拡張フォーマットです。

Safetensors は AI モデルで広く利用されている安全性の高いファイル形式です。

AIVM では、この Safetensors の __metadata__ 領域に追加情報を保存しています。

保存される主な情報は以下の通りです。
・AIVM マニフェスト
・ハイパーパラメータ
・スタイルベクトル
・話者情報
・ライセンス情報

そのため、従来は別々に管理していた複数のファイルを 1つの AIVM ファイルにまとめることができます。

また、AIVM は Safetensors の拡張仕様として設計されているため、通常の Safetensors ファイルとして扱うことも可能です📚

AIVMX は ONNX の拡張仕様

AIVMX（.aivmx）は、ONNX 形式をベースにした音声合成モデル向けの拡張フォーマットです。

ONNX は機械学習モデルをさまざまな環境で実行するための標準フォーマットで、CPU をはじめ、AMD Radeon GPU や Intel Arc GPU など幅広い環境で利用しやすい形式となっています。

AIVMX では、ONNX の metadata_props 領域に AIVM の各種メタデータを保存しています。

これにより、
・モデル本体
・話者情報
・ライセンス情報
・スタイル情報
・ハイパーパラメータ
を 1つのファイルで管理できます。

AivisSpeech は ONNX Runtime を採用しているため、利用するモデル形式も AIVMX です。

CPU での推論性能に優れているほか、Windows 環境では ONNX Runtime と DirectML を利用することで、AMD Radeon や Intel Arc GPU での高速推論も可能です✨

既存フォーマットとの互換性

AIVM と AIVMX は、既存の Safetensors や ONNX を拡張した仕様です。

そのため、
・AIVM は Safetensors として
・AIVMX は ONNX として
そのまま読み込むことができます。

AIVM のメタデータは、Safetensors や ONNX が標準で備えているメタデータ領域に保存されるため、通常の Safetensors や ONNX を扱うツールの動作へ影響を与えません。

また、単一の Safetensors または ONNX 形式で保存されている既存の音声合成モデルは、AIVM / AIVMX へ変換できます。

AIVM は特定のソフトウェア専用のフォーマットではなく、将来的にさまざまな音声合成ソフトウェアで利用できるオープンフォーマットとして設計されています📚

なぜ AIVM は使いやすいのか

1ファイルで配布・管理できる

AIVM の最大の特徴は、音声合成モデルに必要な情報を1つのファイルへまとめられることです。

従来の音声合成モデルでは、
・モデル本体
・設定ファイル（config.json）
・スタイルベクトル
・話者情報
・ライセンス情報
などを別々に管理するケースが一般的でした。

そのため、
「必要なファイルが足りない」
「どのファイルを配布すればよいかわからない」
「ライセンス情報が見つからない」
といった問題が発生することも少なくありませんでした。

AIVM では、これらの情報を1つのファイルへまとめることで、管理や配布を大幅にシンプルにしています📚

オープンフォーマットとして設計されている

AIVM は特定のソフトウェア専用の独自形式ではありません。
Safetensors や ONNX といった既存の標準フォーマットを拡張する形で設計されており、仕様も公開されています。

そのため、将来的に Aivis Project 以外のソフトウェアやサービスが AIVM に対応することも可能です。

また、ライブラリとして aivmlib や aivmlib-web も公開されており、開発者は AIVM / AIVMX ファイルの読み書きを独自アプリケーションへ組み込むことができます。

単なるファイル形式ではなく、音声合成モデルの共通基盤を目指している点も AIVM の特徴です✨

将来的な拡張性が高い

AIVM は、特定の音声合成技術だけを前提として設計されたフォーマットではありません。

現在は、
・Style-Bert-VITS2
・Style-Bert-VITS2 (JP-Extra)
に対応していますが、仕様そのものはモデルアーキテクチャに依存しない設計になっています。

そのため、将来的に新しい音声合成技術が登場した場合でも、AIVM の仕組みを活用して統一的に管理できます。

「音声合成モデルを1つのファイルで扱う」というシンプルな考え方を維持しながら、長期的な拡張にも対応できるよう設計されているのです✨

モデル制作者向け：AIVM / AIVMX ファイルを作る方法

AIVM Generator を使う

AIVM / AIVMX ファイルを作成する最も簡単な方法が AIVM Generator です。

AIVM Generator は、ブラウザ上で動作する AIVM / AIVMX ファイルの生成・編集ツールです。
GUI ベースで操作できるため、プログラミングの知識がなくても利用できます。

既存の音声合成モデルを読み込み、
・モデル名
・説明文
・ライセンス情報
・話者情報
・アイコン画像
・ボイスサンプル
などのメタデータを設定しながら、AIVM / AIVMX ファイルを生成できます。

また、既存の AIVM / AIVMX ファイルを読み込んで内容を編集することも可能です。

実際にモデルを配布する場合は、AIVM Generator を利用するのが最も手軽な方法と言えるでしょう✨
実際の利用方法は、以下の記事をご覧ください。

URL：https://note.com/aivis_project/n/nd689f3f45dae

aivmlib を使う

開発者向けには、AIVM 仕様のリファレンス実装である「aivmlib」も提供されています。

aivmlib は Python 製のライブラリで、AIVM / AIVMX ファイルの生成やメタデータの読み書きを行うことができます。

例えば、
・既存モデルの AIVM 化
・メタデータの読み取り/編集
・独自ツールへの組み込み
・サーバーサイドでの自動処理
などに活用できます。

なお、aivmlib はファイルフォーマットを扱うためのライブラリであり、音声合成そのものを行うライブラリではありません。
実際の推論処理は、利用する音声合成ソフトウェアやモデルアーキテクチャ側で実装されます。

URL：https://github.com/Aivis-Project/aivmlib

一般的なモデル制作者であれば AIVM Generator、開発者やサービス提供者であれば aivmlib が適した選択肢となります📚

よくある質問

AIVM と AIVMX はどちらを選べばよいですか？

用途によって異なります。
AIVM（.aivm）は Safetensors ベースのフォーマットで、主に研究開発やモデルのファインチューニング、モデルマージなどを行う開発者向けの形式です。
一方、AIVMX（.aivmx）は ONNX ベースのフォーマットで、AivisSpeech で利用するための形式です。
AivisSpeech で利用する場合は、AIVMX を選択してください📚

既存の SBV2 モデルを変換できますか？

はい、変換できます。
単一の Safetensors または ONNX 形式で保存されている Style-Bert-VITS2 系モデルであれば、AIVM Generator や aivmlib を利用して AIVM / AIVMX へ変換できます。
なお、変換したモデルを実際に配布する場合は、モデル名やライセンス情報などのメタデータも適切に設定をお願いいたします。

AIVM ファイルは既存ツールでも利用できますか？

はい。
AIVM は Safetensors の拡張仕様、AIVMX は ONNX の拡張仕様として設計されています。
そのため、多くの場合は通常の Safetensors ファイルや ONNX ファイルとして読み込むことができます。
AIVM のメタデータは既存フォーマットのメタデータ領域に保存されるため、通常の利用を妨げることはありません。

対応している音声合成アーキテクチャは何ですか？

2026年6月時点では、以下のアーキテクチャが AIVM 仕様で定義されています。
・Style-Bert-VITS2
・Style-Bert-VITS2 (JP-Extra)
AIVM はモデルアーキテクチャに依存しない設計思想があるため、今後ほかの音声合成アーキテクチャへ対応が広がる可能性もあります。

AIVM は Aivis 専用フォーマットですか？

いいえ。
AIVM は Aivis Project が策定しているオープンファイルフォーマットですが、特定のソフトウェア専用として設計されているわけではありません。
仕様や関連ライブラリも公開されており、将来的に AIVM 仕様へ対応するソフトウェアが増えることを想定して設計されています。
AIVM は、音声合成モデルの利用・配布・共有をより簡単にするための共通フォーマットを目指しています✨

まとめ

この記事では、AIVM / AIVMX について解説しました。

従来の音声合成モデルでは、モデル本体や設定ファイル、ライセンス情報などを別々に管理する必要がありました。
AIVM はそれらを 1つのファイルへまとめることで、モデルの配布・管理・利用をシンプルにすることを目指しています。

また、AIVM は特定のソフトウェア専用の形式ではなく、音声合成モデルの標準フォーマットを目指して設計されたオープンな仕様であり、音声合成モデルを「つくる人」と「使う人」の両方にとって扱いやすい環境を実現するための基盤として開発されています。

今後、音声合成技術や対応ソフトウェアが発展していく中で、AIVM はモデル共有の共通基盤として重要な役割を担っていくかもしれません✨

Aivis Project では、AIVM / AIVMX に対応した音声合成ソフトウェア「AivisSpeech」や、音声合成モデル共有プラットフォーム「AivisHub」を提供しています。
実際に音声合成モデルを利用してみたい方は、ぜひ AivisSpeech や AivisHub もチェックしてみてください📚

Aivis Project では、皆さまからのお問い合わせを随時受け付けております。

AivisSpeech や AivisHub の使い方、AIVM / AIVMX に関するご質問、音声合成モデルの制作や公開に関するご相談などがございましたら、お気軽にお問い合わせください。

また、Aivis Project ではユーザーの皆さまからいただいたご意見やご要望をもとに、サービスや仕様の改善を継続的に行っています。

「こんな機能が欲しい」
「この仕様について詳しく知りたい」
「このモデルは公開できますか？」
といったご相談も歓迎しております✨

ご不明な点がございましたら、お問い合わせフォームよりお気軽にご連絡ください📚