Kizuna Voice Studio

Kizuna Voice Studio は、自分だけの読み上げ音声を作るためのデスクトップアプリです。

難しい設定をなるべく減らし、

• どんな声にしたいかを日本語で書く
• 種音声を聞いて確認する
• よければそのまま TTS を作る

という流れで使えるようにしています。

先に知っておくこと

• 現在の配布版は、基本的に NVIDIA GPU か Apple Silicon を前提にしています
• Windows は NVIDIA GPU 版 に加えて、AMD / 非NVIDIA 向け互換版 も用意しています
• Linux は NVIDIA GPU 版 を使う前提です
• CPU版 は現時点では配布していません
• 初回起動時は、必要な Python 環境やモデルを自動で準備するため時間がかかります
• 音声モデルをダウンロードするタイミングでは、数分以上かかることがあります

迷ったときは、まず次の考え方で選ぶのが簡単です。

• Windows / Linux で NVIDIA GPU がある人: windows-nvidia または linux-nvidia
• Windows で AMD GPU の人: windows-amd
• macOS で Apple Silicon の人: macos-apple-silicon

ダウンロードと起動

最新版の配布ファイルは、GitHub の Releases からダウンロードします。

• Releases: https://github.com/kizuna-intelligence/kizuna-voice-studio/releases

ファイル名の目安は次のとおりです。

• Windows: VoiceFactory-Windows-NVIDIA-<version>.exe
• Windows AMD: VoiceFactory-Windows-AMD-<version>.exe
• Linux: VoiceFactory-Linux-NVIDIA-<version>.AppImage
• macOS: VoiceFactory-macOS-Apple-Silicon-<version>.dmg または .zip

Windows

1. Releases ページから VoiceFactory-Windows-NVIDIA-<version>.exe をダウンロードします
2. ダウンロードした .exe をダブルクリックします
3. インストーラーが出たら、そのまま進めます
4. インストール後、スタートメニューまたはデスクトップから Kizuna Voice Studio を起動します

AMD GPU の Windows マシンでは、VoiceFactory-Windows-AMD-<version>.exe を使ってください。 この版は現時点では CPU / 互換経路 を優先して動くため、NVIDIA 版より遅くなることがあります。

Linux

1. Releases ページから VoiceFactory-Linux-NVIDIA-<version>.AppImage をダウンロードします
2. 実行権限を付けます

chmod +x VoiceFactory-Linux-NVIDIA-<version>.AppImage

3. そのまま起動します

./VoiceFactory-Linux-NVIDIA-<version>.AppImage

macOS

1. Releases ページから VoiceFactory-macOS-Apple-Silicon-<version>.dmg または .zip をダウンロードします
2. Applications にドラッグするか、展開したアプリを配置します
3. Kizuna Voice Studio を起動します

最初の起動で起こること

最初の起動では、アプリが自動で次の準備をします。

• Python 実行環境のセットアップ
• backend 依存ライブラリのインストール
• 必要なモデルのダウンロード

そのため、初回だけは少し待ち時間があります。

Windows 配布版では、jieba-fast のようなネイティブ拡張は 初回起動時に手元の PC でビルドしない方針です。 配布物の build 時点で必要な wheel を同梱し、初回セットアップでは そのローカル wheel を優先して使います。

できること

• 日本語の説明から種音声を作る
• 種音声を聞いてから本番の音声モデル作成に進む
• Piper TTS または Style-Bert-VITS2 を選んで学習する
• 学習なしで MioTTS 用の参照音声パッケージを作る
• 学習後のモデルを Python パッケージとして書き出す

どんな人向けか

• 自分のアプリや作品用にオリジナル音声を作りたい人
• コマンドラインより GUI で進めたい人
• モデルや Python の細かい設定をなるべく意識したくない人

モデルの違い

Piper TTS

• とても軽いです
• CPU や低めのスペックでも動かしやすいです
• モバイルや組み込み用途に向いています
• その代わり、表現力は Style-Bert-VITS2 より控えめです

Style-Bert-VITS2

• Piper TTS より表現力が高いです
• 感情や話し方のニュアンスを出しやすいです
• その分、少し強いマシンが必要です

迷ったとき

• 軽さ重視なら Piper TTS
• 声の自然さや表現力を重視するなら Style-Bert-VITS2
• 低めの男性声は Style-Bert-VITS2 の方が安定しやすい傾向があります

種音声の作り方

種音声の生成方法は 2 つから選べます。

Kizuna Voice Designer

• 日本語の説明をそのまま使えます
• 軽量モードで種音声を作れます
• 翻訳モデルなしで始められます

Qwen Voice Designer

• 日本語の説明をもとに種音声を作ります
• 必要なモデルは初回に自動でダウンロードされます
• 初回は少し時間がかかります

使い方

1. アプリを起動します
2. どんな声にしたいかを日本語で入力します
3. 種音声の生成方法を選びます
4. 1. 種音声を作成 を押します
5. できた音声を聞きます
6. 問題なければ作るモデルを選んで 2. この声で TTS を作る を押します
7. 完了後、生成されたモデルをダウンロードして使います

種音声が気に入っていて、学習はまだしたくない場合は、 MioTTS 参照音声パッケージ を作ってすぐ使うこともできます。

また、書き出した package をダウンロードする前に、 アプリ上で自由なテキストを入れて試聴できます。

• Piper TTS package の試聴
• Style-Bert-VITS2 package の試聴
• MioTTS 参照音声 package の試聴

Style-Bert-VITS2 の package 試聴は、配布版では安定性を優先して CPU で実行しています。

初回起動について

初回起動時には、必要なものをアプリ側で自動準備します。

• Python 実行環境
• backend の依存ライブラリ
• 必要になったモデル本体

そのため、最初の 1 回だけ時間がかかることがあります。

配布版の考え方

このアプリは、環境ごとに配布物を分ける方針です。

現在の主な配布対象は次の 3 つです。

• windows-nvidia
• windows-amd
• linux-nvidia
• macos-apple-silicon

CPU版 は現時点では実用性が低いため、配布対象から外しています。

対応環境の考え方

Windows / Linux

• NVIDIA GPU 前提の版を用意します
• 重い処理はジョブごとの別プロセスで動きます
• 処理が終わるたびに GPU を解放します

Windows AMD

• windows-amd を用意します
• 現時点では CPU / 互換経路 を優先した版です
• NVIDIA 版より遅くなる代わりに、AMD 環境でも動作確認しやすくしています

macOS

• Apple Silicon 向けの版を想定しています

モデルのダウンロードについて

モデルはアプリ本体に全部同梱せず、必要になったタイミングでダウンロードします。

たとえば次のようなモデルが、必要時に自動取得されます。

• 種音声生成モデル
• 翻訳モデル
• 学習用のベースモデル

画面には、

• ダウンロード中です
• 種音声を生成中です
• 学習データセットを作成中です
• モデルを学習中です

のように進捗が表示されます。

インストール済みモデルの使い方

学習後は、モデルを Python パッケージとして書き出せます。

たとえば Piper TTS なら、書き出した zip を pip install して使えます。

pip install piper-voice.zip

その後は次のように呼べます。

from piper_voice import load_voice

voice = load_voice()
voice.synthesize_to_file("こんにちは", "sample.wav")

Style-Bert-VITS2 でも同様に installable package を作れます。

学習なしで使う MioTTS パッケージ

種音声を作ったあと、その reference.wav を同封した MioTTS 用 zip を作れます。

この zip は pip install すると、参照音声つきの voice module として使えます。 学習済みモデルそのものを同封するのではなく、MioTTS の zero-shot API に参照音声を渡して音声生成します。 アプリ上では、ダウンロード前にこの package と同じ経路で 3 本の試聴音声を生成して確認できます。

pip install miotts-reference-voice.zip

from miotts_reference_voice import load_voice

voice = load_voice()
voice.save_wav("こんにちは。よろしくお願いします。", "sample.wav")

MioTTS のモデルは、現行の既定では Aratako/MioTTS-1.7B を使います。 手元で API を立てている場合は、api_base_url を差し替えて使えます。

開発者向けの補足

このリポジトリは、将来的に独立したオープンソースプロジェクトとして扱いやすいように整理しています。

• Electron と backend を分離した構成
• 共有 backend を FastAPI / CLI / Gradio / Electron から利用
• 成果物を workspace/projects/<project-id>/ に明示的に保存
• 重い処理をジョブ単位の別プロセスで実行

主なフォルダ

kizuna-voice-studio/
├── README.md
├── pyproject.toml
├── electron/
├── examples/
└── src/voice_factory/

Electron 配布ビルド

cd electron
npm run dist:windows-nvidia
npm run dist:linux-nvidia
npm run dist:macos-apple-silicon

ただし、配布運用は次のように分けています。

• linux-nvidia はローカル build
• windows-nvidia と macos-apple-silicon は GitHub Actions の手動実行でも build 可能

自動で毎回 build はせず、release を切るタイミングだけ手動で回す想定です。

ローカルで配布物を作る

対象 OS 上で次のように実行します。

scripts/build-electron-release.sh --variant linux-nvidia

生成物は electron/dist/<variant>/ に出ます。

windows-nvidia と macos-apple-silicon は、GitHub Actions の Manual Electron Release Builds を手動実行して artifact を作る運用でも使えます。

ローカル build を GitHub Release にアップロードする

scripts/upload-electron-release-assets.sh --tag v0.1.1 --variant linux-nvidia

Windows と macOS の artifact は、手動 workflow で作ったものをダウンロードしてから 同じスクリプトで release に上げられます。

scripts/upload-electron-release-assets.sh --tag v0.1.1 --variant windows-nvidia

scripts/upload-electron-release-assets.sh --tag v0.1.1 --variant macos-apple-silicon

このスクリプトは aih-gh を使って release を作成し、同名 asset があれば上書きします。

開発用起動

python -m pip install -e .[voice,train]
cd electron
npm install
npm start

GitHub Actions

GitHub Actions では、通常時は軽い構文確認だけを行います。 重い Electron 配布ビルドは自動では走らせず、必要なときだけ手動で回します。

workflow:

• .github/workflows/repository-checks.yml
• .github/workflows/manual-electron-release-builds.yml

クレジット

このソフトでは、主に次のプロジェクトや作者の成果を利用しています。

• Piper TTS / piper-plus: ayutaz さん
• Qwen Voice Designer: Alibaba / Qwen Team
• Style-Bert-VITS2: litagin さん

ライセンス

このリポジトリ自体のライセンスは Apache License 2.0 です。

ただし、Kizuna Voice Designer を利用する部分、およびそれに由来する機能部分には Kizuna Community License が適用されます。

また、Style-Bert-VITS2 を利用する部分は upstream のライセンスに従います。 この README では分かりやすさのために GPL 系 とまとめず、AGPL v3.0 と明記します。

ライセンスの見方は次のとおりです。

• このリポジトリ全体: LICENSE
• Kizuna Voice Designer 由来部分: kizuna-intelligence/kizuna-voice-designer の LICENSE
• Style-Bert-VITS2 由来部分: litagin02/Style-Bert-VITS2 の LICENSE