きっかけ
仕事でテキストを音声に変換する必要があって、今までクラウドTTSサービスに頼ってた。でも毎月の費用が積み重なるし、インターネット接続が必須というのも地味に不便。「ローカルで動く選択肢ないかな」と探してたときにこのリポジトリを見つけた。
使ってみた
GitHubからクローンして、README通りにセットアップしたら本当にすぐ動いた。Dockerがある環境なら docker run のコマンド一行で起動する。HTTPサーバーが立ち上がるので、あとはリクエストを投げるだけ。自分は Python から requests ライブラリで叩いてみたんだけど、返ってくる音声のクオリティにびっくりした。クラウドサービスと比較しても遜色ないレベル。
ここが良い
なんといってもオフライン完全対応なのが最高。一度セットアップしたら、インターネット接続がなくても動く。だから音声生成の遅延がほぼ0。50個テキストを投げても、API呼び出しの待ち時間がないから、処理時間は本当に短い。それにAPIの月額費用がゼロになるのは、大きいプロジェクトだと相当な削減になる。あと自分の環境で完全にコントロールできるから、生成される音声のパラメータも細かく調整できる。
気になった点
ドキュメントがまだ最小限というか、細かいカスタマイズ方法の説明が少ない。あと初期セットアップで必要なモデルファイルのダウンロードが重いので、初回起動は時間がかかる。ネットワーク環境によっては結構待つことになる。
まとめ
音声生成でコスト削減とレイテンシ改善の両方を狙う人には、本気でおすすめする。特にバッチ処理で大量の音声を生成する必要がある環境なら、このツールの価値は本当に高い。自分はもう手放せないツールになってます。