「TTS-V1」中国語音声の音声合成モデル:配布ファイル一覧

「TTS-V1」中国語音声の音声合成モデル:配布ファイル一覧

作例は配布元のモデルカードで公開されています。

基本情報

項目 内容
リポジトリ autotrust/TTS-V1
公開日 2026-11-13
配布形式 safetensors
出典の種類 公開元の一次情報(HuggingFaceの公式モデルページが一次情報)

情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。

概要

中国語のテキストから音声を合成するオープンウェイトモデル「autotrust/TTS-V1」が公開されました。

本モデルは中国語のテキストを入力とし、24 kHzのモノラルWAV形式で音声を生成するText-to-Speech(TTS)モデルです。単一のモデルファイル内にFlowLMとMimiを統合した共有アーキテクチャを採用しており、営業向けおよびカスタマーサポート(カスタマーサービス)向けに想定された男女計4種類の音声を切り替えて出力できます。

スペック

モデルカードおよびリポジトリに記載されている仕様は以下の通りです。

  • アーキテクチャ: FlowLMおよびMimiで構成される共有モデル(設定は config.yaml に定義されています)
  • 出力仕様: サンプリングレート 24 kHz、モノラル(单声道)、WAV形式
  • 対応言語: 中国語(リポジトリ内に中国語分詞器 tokenizer.model が同梱されています)
  • 選択可能な音声プリセット: 以下の4種類が用意されており、voices/ ディレクトリに固定の参照録音が格納されています
  • sales_male(営業・販売向け男性音声) – sales_female(営業・販売向け女性音声) – service_male(カスタマーサポート向け男性音声) – service_female(カスタマーサポート向け女性音声)
  • テキスト前処理機能: 金額・日付・各種番号の正規化スクリプト(tn.py)および wetext による音声テキスト正規化リソースを使用します
  • セグメント制御: 句読点およびトークン長に基づく自動テキスト分割処理が行われます
  • 推論制御オプション: セグメントごとの最大試行回数を制御する --attempts(初期値16)、乱数シードを指定する --seed(例: 3000)、CPUスレッド数を指定する --threads(例: 2)などが用意されています
  • 配布形式: safetensors形式(model.safetensors)
  • 推論エンジン: リポジトリ内に本モデル向けに適合されたPocket TTSの推論コード一式(pocket_tts/)が含まれています
  • ライセンス・利用条件: モデルカードでは、重みおよび参照音声の出所や公開条件について、リポジトリ内の MODEL_CARD.md を確認するよう案内されています

性能・品質

公開元から提示されている音声のパラメータ名とサンプルの対応は以下の通りです。

参数 声音 示例
sales_male 销售男声 试听
sales_female 销售女声 试听
service_male 客服男声 试听
service_female 客服女声 试听

モデルカードによれば、各音声の名称は試聴用途や音高に基づいて暫定的に名付けられたものであり、実際の業務要件に合致するかどうかは提供されているサンプル(WAVファイル)を試聴して確認することが推奨されています。

生成パイプラインの品質面における特徴として、付属の推論スクリプト(synthesize.py)には自動検証機構が組み込まれています。テキストを句読点やトークン長でセグメントに分割して逐次合成を行う際、有効な終了トークン(EOS)の検出、基本的な音量レベルの確保、音声内部の不自然な静音(無音区間)の有無を判定します。これらの基準を満たさず合成に失敗したセグメントは自動的に再サンプリング(再試行)が実行され、最大試行回数に達しても成功しなかった場合は最終ファイルの書き込みを中止してエラーを報告する設計となっています。

一方で公開元は、こうした検証ロジックを用いてもすべてのノイズ、誤字、数字の読み間違いを完全に排除できるわけではないと説明しています。そのため、実運用環境での利用にあたっては、生成後に人間による試聴や音声認識(ASR)による照合を行うことが求められます。また、提供されている4種類の音声のうち、特にカスタマーサポート男性音声(service_male)については停止挙動が不安定になる傾向が報告されており、正常な終了状態を得るまでに複数回の試行が必要になる場合があるとされています。

得意なこと・想定用途

本モデルは、中国語におけるビジネスシーンや対話型アプリケーションでの利用に特化した音声合成(TTS)に適しています。特に、ECサイトや営業活動での案内メッセージ、カスタマーサービスにおける自動音声応答システムの構築といった用途が想定されています。

モデルカードに示された合成例では、「您好,您的订单金额是235.60元,预计2个工作日到账。」(こんにちは、ご注文金額は235.60元です。2営業日以内に着金する見込みです)といった具体例が挙げられており、注文金額、日付、処理日数などを含む通知メッセージの読み上げに向いていることが分かります。

このような運用を支えるため、リポジトリには数字、日付、各種ID番号、記号などを自動的に適切な読み方に前処理する規格化スクリプト(tn.py)が同梱されています。これにより、文字と数字が混在するビジネス用テキストであっても、適切な読み上げ音声へスムーズに変換できます。

また、本モデルでは単一の共有モデルファイルから、用途と音高に合わせて定義された4種類の音声ペルソナ(営業男性 sales_male、営業女性 sales_female、カスタマーサポート男性 service_male、カスタマーサポート女性 service_female)を選択して生成できます。用途に合わせて明るいトーンの営業用音声と、丁寧な対話向きのカスタマーサポート用音声を使い分けるシステムを構築することが可能です。ただし、公式に提示されている音声名称は試聴およびピッチに基づく暫定的な命名であるため、実際のビジネス要件に合致するかどうかは提供されているサンプル音声を試聴して確認することが推奨されています。

動作環境

動作環境の目安(Local Model Watch 算出) — パラメータ数 115M

手持ちのVRAM 選べる量子化 ファイルサイズ 必要メモリの目安
4GB(ノートPCの内蔵GPU・スマートフォンなど) F32 0.4GB 0.5GB

必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 表のファイルは F32(32bit)で配布されたものの実サイズです。BF16 や量子化など低い精度で読み込めば必要なメモリは小さくなるため、最低条件ではなく配布そのままの大きさとして読んでください。低い精度での値は当サイトでは測っていません。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。

当サイトでの実測

ライセンスの都合で行っていない実測

このモデルにはライセンスの表示が無く、利用の許諾を確認できません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。

配布ファイル

autotrust/TTS-V1 で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。

ファイル サイズ
model.safetensors 459MB

入手方法

モデルの重みおよび関連コードはHugging Faceリポジトリ autotrust/TTS-V1 から入手できます。本モデルは単一の model.safetensors ファイルとして配布されており、この中にFlowLMとMimiの両方のモデル構成要素が含まれています。

動作環境として、LinuxおよびPython 3.12がサポートされています。導入手順および依存関係の設定は以下の通りです。

まず、環境に合わせて PyTorch をインストールします。CPU環境で実行する場合はCPU版のPyTorchを選択し、NVIDIA GPUを利用する場合はグラフィックボードやドライバーに対応するCUDAバージョンのPyTorchをインストールしてください。

続いて、リポジトリをクローンまたはダウンロードしたディレクトリ内で仮想環境を作成し、必要なライブラリをインストールします。

python3.12 -m venv.venv
source.venv/bin/activate
python -m pip install --upgrade pip
# CUDA環境の場合は先に適切なバージョンのPyTorchをインストールしてください
python -m pip install -r requirements.txt

検証済みの依存関係の構成は、Python 3.12、torch 2.13.0、NumPy 2.3.5、soundfile 0.14.0、wetext 0.2.1 となっています。なお、wetext のインストールパッケージおよびその音声テキスト正規化リソースを準備する際には、インターネット接続が必要となる場合がある点にご注意ください。リポジトリには本モデル用に調整されたPocket TTSの推論コード(pocket_tts/)が標準で組み込まれています。

音声の合成は、付属の synthesize.py スクリプトを用いてコマンドラインから実行します。直接テキストを指定して営業女性音声(sales_female)でWAV形式の音声ファイルを生成する基本的なコマンドは以下の通りです。

python synthesize.py --voice sales_female \
  --text '您好,您的订单金额是235.60元,预计2个工作日到账。' \
  --output result.wav

テキストファイルから文章を読み込んでカスタマーサポート男性音声(service_male)で合成を行う場合は、--text-file オプションを使用します。

python synthesize.py --voice service_male --text-file text.txt --output result.wav

推論時の実行オプションとして、以下のパラメータが用意されています。

  • --device cuda: NVIDIA GPUを使用して高速に推論を行います(指定しない場合はデフォルトでCPUが使用されます)。
  • --attempts 16: 各テキストセグメントごとの最大再試行回数を制御します。
  • --seed 3000: 乱数シードを指定して生成の再現性を確保します。
  • --threads 2: CPU実行時のスレッド数を指定します。

出力先に同名のWAVファイルが既に存在する場合、プログラムは上書きを防ぐため拒否する仕様になっています。また、モデルの重みや参照音声の出所、詳細な配布条件については、リポジトリに含まれる MODEL_CARD.md を参照してください。

関連記事

次に読むなら

出典