haoyiyin/clone-voice

clone-voice は何をしますか？

🎙️ エージェントスキル — Qwen3-TTS 0.6Bを使用したオフラインでのゼロショット音声クローン。参照音声とテキストを入力するだけで、クローン音声を取得できます。CPU/MPS/CUDA対応、10言語。

特徴

• オフライン音声クローン: インターネット不要で、完全にローカル実行。データはあなたの手元に。
• ゼロショット: たった1つの短い音声サンプルで音声をクローン。追加トレーニング不要。
• Qwen3-TTS 0.6B: 軽量かつ強力なTTSモデルで、自然で表現力豊かな音声合成を実現。
• マルチプラットフォーム対応: CPU、Apple Silicon搭載Mac（MPS）、NVIDIA GPU（CUDA）で動作。
• 多言語: 10言語に対応。詳細はモデルドキュメントを参照。

必要条件

• Python 3.9以上
• 推奨: 8GB以上のRAM（特にGPU推論の場合）
• オプション: NVIDIA GPU (CUDA 11.8以上) または Apple Silicon Mac (MPS)

クイックスタート

# リポジトリをクローン
$ git clone https://github.com/haoyiyin/clone-voice
$ cd clone-voice

# 依存関係をインストール
$ pip install -r requirements.txt

# スクリプトを実行
$ python clone_voice.py --reference ref_audio.wav --text "こんにちは、これはクローンされた音声です。" --output output.wav

使用方法

使用方法: clone_voice.py [-h] --reference REFERENCE --text TEXT [--output OUTPUT] [--language LANGUAGE] [--device DEVICE]

オプション:
  --reference REFERENCE   参照音声ファイルへのパス (.wav, .mp3, .flac)。
  --text TEXT              音声クローンで読み上げるテキスト。
  --output OUTPUT         出力音声ファイルのパス (デフォルト: output.wav)。
  --language LANGUAGE    テキストの言語コード (例: ja, en, zh, ko)。詳細はモデルドキュメントを参照。
  --device DEVICE         使用するデバイス (cpu, cuda, mps)。デフォルトは自動検出。

例

# CPUを使用
$ python clone_voice.py --reference sample.wav --text "今日はいい天気ですね。" --output today_weather.wav --device cpu

# CUDA GPUを使用
$ python clone_voice.py --reference sample.wav --text "This is a cloned voice." --output cloned_voice.wav --device cuda

# Apple Silicon (MPS) を使用
$ python clone_voice.py --reference sample.wav --text "これはクローン音声です。" --output cloned.wav --device mps

サポートされている言語

• 英語 (en)
• 中国語 (zh)
• 日本語 (ja)
• 韓国語 (ko)
• フランス語 (fr)
• ドイツ語 (de)
• スペイン語 (es)
• ロシア語 (ru)
• アラビア語 (ar)
• ポルトガル語 (pt)

利用可能な言語の最新リストについては、Qwen3-TTSモデルドキュメントを参照してください。

ライセンス

このプロジェクトはMITライセンスの下で提供されています。詳細はLICENSEファイルを参照してください。

謝辞

• Qwen3-TTS - ベースとなるTTSモデルを提供。
• 音声クローン技術の研究と開発に貢献されたすべての方々に感謝します。