最近 VITS TTS が面白くてずっといじっていた
ベースコードを改造して、いくつかの音声合成モデルをファインチューニングしてみました。
その内、イントネーションが割とよく、上出来だなーと思っているのは「あみたろの声素材工房」の音声を使って学習したモデルです。
VITS モデル自体は下記のリンクで公開しています。
こちらのリンクでどいう音声なのか試せます。
音声生成したいテキストを入力して 「Generate Voice!」 ボタンを押せば音声が作成されます
VITS-TTS-Japanese-Only-Amitaro
そのままモデル公開するだけでは使いにくいと思い、 API を作りました。
APIは2種類の出力があって、
渡したパラメータによって出力が変わります。
どちらにも sample_rate は 22050 です。
Python でのAPI呼び出し方法
from gradio_client import Client
client = Client("https://lycoris53-VITS-Selected-Amitaro.hf.space/", hf_token = "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")
result = client.predict(
"おはようございます", # 音声合成したいテキスト
"audio_file", # 出力の種類
api_name="/predict"
)
# ('', '/tmp/tmp3pgnspeoi4z0mnzh.wav')
print(result) # result = ['audio array', 'audio file'] # since we choose "audio_file" here, result[0] will be blankJupyter などでしたら下記のコードで音声ファイルプレイできます。
import IPython.display as ipd ipd.display(ipd.Audio(result[1], rate=22050, normalize=False))
Curl などでのAPI呼び出し方法
curl -X POST https://lycoris53-VITS-Selected-Amitaro.hf.space/api/predict -H 'Authorization: Bearer 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' -H 'Content-Type: application/json' -d '{"data": ["おはようございます。", "audio_file"]}'結果：
{"data":["",{"name":"/tmp/tmppi137sw9.wav","data":null,"is_file":true}],"is_generating":false,"duration":0.7159371376037598,"average_duration":1.1998624205589294}よかったら Huggingface もどうぞよろしくお願いいたします。
![UNITY で 3D AI キャラクターエージェントを 0 から作る！ [プロローグ]](https://www.aithinkso.net/wp-content/uploads/2026/01/eyecatch.png)
コメント