無料でローカル動作する音声AI「VoiceStudio」で声をクローンできる

動画やポッドキャストに自分の声のナレーションを足したい。そう思って音声AIサービスを探すと、月額課金と、声のデータをクラウドにアップロードする仕組みにたどり着くことが多い。無料で、声のデータを外に出さずに済むツールはないのか。

ある。「VoiceStudio」は、Windows・macOS・Linuxでネット接続なしに動く、無料でオープンソースの音声AIアプリだ。公式サイトによれば、声のクローンから動画の吹き替え、オーディオブック作成までを1つのアプリでこなす。

できることはどこまで広いのか。そして、無料のアプリをそのまま仕事の動画に使ってよいのか。

声のクローンから吹き替えまでできる

VoiceStudioがやることは、声のクローンだけではない。公式サイトとGitHubリポジトリのREADMEを照らし合わせると、次の機能が1つのアプリにまとまっている。

この一覧だけを見ると、クラウド型の音声AIサービスと機能の幅は近い。差は、どこで処理が行われるかにある。公式サイトは「アカウント不要で、通信が発生するのはアップデート確認とモデルのダウンロード時だけ」と説明しており、生成そのものはローカルで完結する。

機能の一覧を眺めただけでは、「結局どこまで実用的なのか」が分からない。その答えが、動画吹き替えの中身に出ている。

動画吹き替えはどこまで作り込めるか

GIGAZINEの紹介記事によると、VoiceStudioの動画吹き替えは、もとの動画のタイミングを保ったまま翻訳・吹き替えを行う。話者が複数いる動画では話者ごとに声を割り当てて区別し、BGMや効果音は残したまま、吹き替え後の動画をMP4で書き出せる。

自分が最初に想像していたのは、音声だけを抜き出して別言語で読み上げ直す、簡易な変換ツールだった。実際には、話者の識別や音の分離まで含めて1本の動画として作り直すところまで踏み込んでいる。

ここまでできるなら、次に気になるのは「無料で使えるこのアプリを、そのまま仕事の動画に使ってよいのか」という点だ。

仕事の動画に使ってよいか

VoiceStudioのライセンスガイドは、アプリ本体のライセンスを次のように説明している。デスクトップ版はAGPL-3.0というオープンソースライセンスで公開されており、業務利用や収益目的での実行を含めて許可されている。GitHubのREADMEも「AGPL-3.0 covers the app, including commercial use under its terms.」と、商用利用がライセンスの範囲内であることを明記している。

アプリが無料で商用利用も許されているなら、生成した声もそのまま仕事で使えそうに思える。だがライセンスガイドは、アプリのライセンスと、生成に使う音声モデルのライセンスを別物として扱っている。「A paid Pro, Lifetime or Enterprise app licence does not automatically grant rights to model weights(有料のアプリライセンスを買っても、モデルの重みの権利が自動的に付くわけではない)」と明記されており、商用利用の可否はモデルごとに個別の利用規約で決まる。

v0.5.7のリリースノートでも、商用利用が明確でないモデルは使用前にライセンスへの同意を求める表示が追加されたと書かれている。

つまり、アプリが無料で商用利用も許されていることと、その声を商用利用できることは、別に確認しないといけない。仕事の動画に使う場合は、Model Managerで使うモデルの利用規約を個別に開いて確認する必要がある。

残るは、自分のPCで動かせるのかという確認だ。

自分のPCでも動かせるのか

公式サイトが挙げる動作環境は、次のとおりだ。

• 対応OS: Windows、macOS、Linux(安定版)。Android・iOSはプレビュー版
• 必要スペック: 約8GBのRAMがあれば動作を始められる
• GPU: 必須ではない。あれば処理が速くなる

専用GPUを積んでいないノートパソコンでも、CPUだけで動かせる。v0.5.7のリリースノートでは、専用GPUの無いPC向けに軽量なCPU版ビルドが追加されたことも確認できる。重い処理には時間がかかるが、「GPUがないと試せない」というハードルは無い。

まとめ

VoiceStudioは、無料でオープンソースの音声AIアプリで、ネット接続なしに声のクローン・動画吹き替え・オーディオブック作成までをこなす。動画吹き替えはもとのタイミングを保ったまま話者ごとに声を分けられるところまで作り込まれている。商用で使う場合は、アプリ本体の商用利用可否とは別に、使う音声モデルのライセンスをModel Managerで個別に確認する必要がある。PCは8GBのRAMがあれば動作を試せ、GPUが無くても使える。