ローカルTTSを試す【第一回】:完全ローカルの軽量TTS Supertonicに日本語を読ませてみた。

こんばんは。ほったりたです。

今日からちょっとだけ同じテーマで試してみた記事を書いてみます

いま、ローカルで動くTTSをいくつか触っていて、
Supertonic と VoxCPM という2つを試しています。

どちらも手応えがあったので、今回はまず Supertonic から書きます。

まず、実際に読み上げさせた音声がこちらです。

この音声はこみつさんのこの記事を僕が通勤中などに耳で聞けるように加工したものです。フル版は4分ほどありますが一部切り取っています（こみつさんありがとうございました！）

Supertonicって、どんなTTS？

Supertonic は、とても軽くて、完全にローカルで動く読み上げAIです。

クラウドのサービスを使わず、自分のパソコンの中だけで音声を作れます。

モデルのサイズも小さく、
それでいて日本語にも対応をうたっています。

仕事でもプライベートでも音声系は使うことがあるので、
いつもはGeminiTTSやAivis Speechばっかり触っていますが、
今回はローカルTTSも試してみたいと思い触ることにしました

Supertonic は、Supertone という会社が出しているローカルTTSです。

実は Supertone の音声には、本業のほうで触れたことがあって、そのときから「日本語の精度が良いな」という印象を持っていました。

だから、ローカルでも同じクオリティが出せるかもしれない、とワクワクしていました。

さっそく日本語を読ませてみたら

最初は、手軽にどこまでできるか試したかったので、
読み上げたい文章をまるごと大きな塊のまま渡しました。

すると、こうなりました。

◆ 文章を飛ばすように読む箇所がある
◆ 日本語の読み間違いが目立つ
◆ 英語が混ざると、そこだけ妙に流暢になって浮く

英語の流暢さはちょっと面白いですが、時々以下のように
英語や漢字を読み間違えます

◆ Google が「ぐーぐるえ」
◆ 一朝一夕 が「いっちょういちゆう」
◆ 本人 が「ほんじん」

基本的にTTSで音声化するときは日本語は読み間違いが多いです。
むしろ、読み間違いをするものだと思った方がいい。
なので、これはプログラムで対策をとります

そして、もう一点聴いていただくとわかるように
Gemini以外のTTSは短文に切ってあげないと苦手なことが多いです。
実はSupertoneの時も長文を丸投げすると同じく日本語が崩れる時がありましたし、
韓国語を話し出す時もありました。

なので、これも同じくそうだろうなという予想はしていました。
でも・・・やっぱり手間はかけたくないから
一度は試してみたい長文丸投げ。

これがロマン?なんです。笑

でも、難しかったので
次は1文ずつ区切って後で合成してみることにします

一文ずつ渡すとやっぱりいい感じ

長い塊で渡すのをやめて、「。」ごとに分けて読ませ、あとで音声をつなげてみるようにします。

予想通り、綺麗になりました。

◆ 読み飛ばしの感じが、かなり減った
◆ 文のまとまりが自然になった
◆ 短いテストで「これなら聞ける」と思えた

読み間違える言葉は、先に書き換えておく

漢字・英語・固有名詞は、よく誤読をします

そこで、読み間違えそうな言葉を、
あらかじめ読みやすい形に変換する辞書を用意して変換します

今回の場合は以下ですね

◆ Google → グーグル
◆ 一朝一夕 → いっちょういっせき
◆ 本人 → ほんにん

AIに渡す直前に、台本の中のこういう語を自動で置き換えます。

人間なら文脈で読める言葉も、AIには
「読み仮名」を先に渡しておくイメージです。

今のところの手応え

ここまでやって、ローカルのSupertonicでも
じゅうぶん聞ける音声になりました。

整理すると、こんな感じです。

◆ 完全ローカルで軽く動くのは、素直にすごい
◆ 日本語は、一文ずつ渡すと安定する
◆ 英語や漢字は、先にひらがな・カタカナへ寄せると自然になる

なお今回は、あくまで手元の環境で試した範囲の話です。
Supertonic そのものの性能を評価するものではない、
という前提で読んでもらえるとうれしいです。

次回は、この Supertonicを
実際に自分のパソコンで動かす「導入方法」 を、
手順そのまま記事にする予定です。

「試してみたいけど、どうやって入れるの？」という人は、
次回をのぞいてみてください。

そしてもうひとつ、VoxCPM というローカルTTSも試しています。
こちらもいい手応えがあったので、シリーズとして順番に書いていきます。

参考リンク

◆ Supertonicで音声化した記事（こみつさんありがとうございました）

◆ Supertonic（サンプルコード・GitHub）: https://github.com/supertone-inc/supertonic

◆ モデル本体（HuggingFace）: https://huggingface.co/Supertone/supertonic-3

◆ デモ音声・解説:

最後まで読んでいただきありがとうございました！

普段は「はっきんぐパパ」として、子どもと作ったものづくりの記事も書いていますので、ぜひ覗いてみてください

↓