GPT-SoVITSで合成音声副業を始める｜Windows構築・TTSサーバー・ボイスチャット・抑揚制御の全手法

id574 eyecatch AI副業ネタ
2026.08.15

はじめに

自分の声（あるいはオリジナルのキャラクター声）で、テキストを読み上げる音声をローカルで作れる ―― それが GPT-SoVITS です。クラウドの有料読み上げサービスと違い、一度環境を作れば追加コストなしで何度でも声を生成でき、AI副業の「自分の声のナレーション」「AIキャラのボイス」「ボイスチャットの口」として使えます。

この記事では、Windows環境を対象に、GPT-SoVITSの概要、音声のトレーニング（学習）とは何か、TTSサーバー（API）での音声生成、TTS＋LLMによるボイスチャット構築、抑揚つきナレーションをどう実現するか（音声マークアップ言語はあるのか？）までを、実際の手順とともに解説します。

GPT-SoVITSとは（概要）

GPT-SoVITSは、RVC-Boss氏らが公開しているオープンソースの音声合成・声質変換ツールです（公式・日本語README・GitHubリポジトリ）。最大の特徴は「わずかな音声サンプルで、その人の声を再現できる」点です。

  • ゼロショットTTS：5秒の音声サンプルを入力するだけで、即座にその声で読み上げを生成。
  • フューショットTTS（学習）：1分程度の音声データでモデルを微調整（ファインチューニング）し、声の似ていき方と自然さを高める。
  • 多言語対応：英語・日本語・韓国語・広東語・中国語など、学習データと異なる言語でも推論可能（クロスリンガル）。
  • WebUI付属ツール：音声と伴奏（BGM）の分離、学習用音声の自動分割、テキストラベリングなどがそろい、初心者でもデータセット作成がしやすい。

バージョンは V1/V2/V3/V4 と進化しています。最新の V4 はネイティブに48kHzの音声を出力し、V3で課題だった非整数倍アップサンプリングによる金属的な音を改善しています（公式リリースノート）。実用するなら最新版を選ぶのが音質の面で有利です。

よく比較される Style-Bert-VITS2 は感情や抑揚の指定が得意で、CPUだけでも動く実用性があります。GPT-SoVITSの強みは「自分の声」を作る手間の少なさと、別言語への対応です。用途で使い分けると良いでしょう。

音声のトレーニング（学習）とは何か

「学習」とは、あなたの声の録音データから「この人はこんな声で、こんな言葉をこんな調子で話す」というパターンを、事前学習済みのベースモデルに追加で覚えさせる作業です。これにより、ゼロショット（5秒だけ）よりも、ずっとあなたらしい声になります。

必要なデータ量

公式の目安はフューショットで約1分ですが、実際には無音部分がカットされるため、実用的には2〜3分以上を用意するのが現実的です（PC Watch の検証記事でも「最低でも2〜3分のデータを用意しよう」と述べられています）。録音は、句読点のあたりで意識的に無音を入れると、後の自動分割が楽になります。

データを作る手順（Windows）

  1. 録音：静かな環境で、台本を見ながら自然に読み上げる。WAV形式が望ましい。
  2. 音声分割：WebUI の「0-データセット取得ツール」→「音声分割ツール」で、3〜10秒程度のクリップに自動分割（この範囲外の短すぎ／長すぎは学習から外すのが無難）。
  3. ラベリング（文字起こし）：日本語なら Faster Whisper（Large V3 等）を使って自動でテキスト化。後で目視で修正します。

出来上がる学習用リストの形式は以下の通りです（公式README）。

vocal_path|speaker_name|language|text

例：
D:\GPT-SoVITS\voice/001.wav|satomi|ja|今日はいい天気ですね

言語コードは ja（日本語）／en（英語）／zh（中国語）などを指定します。

学習の実行

WebUI の「1-GPT-SoVITS-TTS」→「1A-トレーニングデータのフォーマットツール」でリストと音声フォルダを指定し、その後「SoVITS学習」と「GPT学習」の両方を実行します。GPUがあれば数時間〜半日程度、CPUのみだと非常に時間がかかります。学習済みモデル（.ckpt / .pth）は SoVITS_weights フォルダに出力されます。

TTSサーバー（API）での音声生成

WebUIから手動で読み上げるだけでなく、APIサーバーを立てれば、他のプログラムから呼び出して自動で音声を作れます。これがボイスチャットやバッチ生成の鍵になります。

環境構築（Windows）

Windows向けには7zで圧縮された統合版が用意されており、go-webui.bat をダブルクリックするだけで起動できます（taziku の導入解説）。テスト済み環境は「Python 3.9 ＋ PyTorch 2.0.1 ＋ CUDA 11」または「Python 3.10.13 ＋ PyTorch 2.1.2 ＋ CUDA 12.3」です。ディスクは Python環境・事前学習モデル・依存関係を合わせて約15〜20GB空けておくと良いとされます（2026年の導入ガイドより）。事前学習モデルは Hugging Face から GPT_SoVITS/pretrained_models へ配置します。

APIサーバーの起動

統合版の場合、GPT-SoVITS のルートフォルダでアドレスバーに cmd と入力してコマンドプロンプトを開き、以下を実行します（pyVideoTrans のAPI解説参照）。

# 従来の api.py（統合版の runtime を使う場合）
.\runtime\python api.py

# 新しい api_v2.py（設定ファイル指定）
python api_v2.py -a 127.0.0.1 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml

起動時に「デフォルトの参照音声・参照テキスト・言語」を指定しておくと、毎回送らなくて済みます。

python api.py -dr 1.wav -dt "こんにちは、よろしくお願いします" -dl ja

サーバーが起動すると http://127.0.0.1:9880 で待ち受けます。FastAPI製なので /docs を開けば、送るべきリクエストの形式（テキスト・参照音声パス・パラメータ等）がその場で確認できます。MCPサーバーとして外部ツールから呼ぶ枠組みも公開されています（gpt-sovits-mcp-server）。

TTS API＋LLMでボイスチャットを構築する

「自分の声で答えてくれるAI」を作るには、次の3つの部品をつなぐだけです。

  • ①音声認識（STT）：マイク入力をテキストにする（Whisper 等）。
  • ②対話エンジン（LLM）：テキストを受け取り、応答を生成する。
  • ③音声合成（TTS）：応答テキストを、TTSサーバー（API）で自分の声の音声にする。

これらを Python などのスクリプトで順番に呼び出せば、「話しかける → テキスト化 → LLMが考える → 自分の声で返す」というループが完成します。エディタ（編集長）は普段 LM Studio で Qwen 3.5-9B を動かしているので、これを②の頭脳に、GPT-SoVITS を③の口にする構成がそのまま組めます。すべてローカル完結なら、会話内容が外に出ずプライバシーも守れます。

注意点はレイテンシ（遅延）です。STT・LLM・TTSの各段で数秒ずつかかるため、リアルタイム感を出すなら「短く区切って応答」「先頭から再生しながら後半を生成」などの工夫が必要です。また LLM の出力をそのまま読み上げると棒読みになるので、文を適度に分割することも後の抑揚対策と重なります。

抑揚つきナレーションを実現するには（音声マークアップ言語はあるのか？）

「読点や感嘆符だけでなく、ピッチや間を細かく指定してナレーションを作りたい。SSMLみたいなものはないのか？」という問いへの、正直な答えです。

SSML（音声合成マークアップ言語）とは

SSML は、読み上げエンジンに対して「発音・速度・ポーズ・ピッチ・感情スタイル」を細かく指示する XML ベースの言語です（W3C 標準）。例えば Microsoft Azure の Speech サービスでは <prosody pitch="+2st" rate="slow"> や style="excited" のような指定ができ（Microsoft Learn）、Google Cloud Text-to-Speech でも <prosody> や <emphasis> で調整可能です（Google Cloud の SSML 解説）。

ただし GPT-SoVITS は SSML を直接は解析しない

重要な点：GPT-SoVITS の WebUI／API は、入力をプレーンテキストとして扱い、SSML タグを解釈しません。つまりクラウドTTSのような「タグで感情を指示」は、そのままでは効きません。SSML が使えるのはあくまでクラウドTTS系であり、そうすると「自分の声」ではなくサービス提供の声になります。

GPT-SoVITS で抑揚・感情を出す現実的な方法

  1. 参照音声（リファレンス）の選び方が肝：推論時に渡す参照音声に、出したい雰囲気（元気・やさしい・真剣など）が含まれていると、その話し方が生成音声に転写されます。あらかじめ「喜び」「真剣」「ほのぼの」など複数の感情別参照音声を用意し、場面で切り替えるのが、実践的でよく使われる手法です。
  2. speed（話速）：公式機能の「TTS スピーキングスピードコントロール」で全体のテンポを調整できます。
  3. top_k／top_p／temperature：生成のばらつき（豊かさ）を調整します。値を下げると安定して単調に、上げると変化と「息づかい」が出やすくなります。
  4. 文単位の分割生成：1本の長文をそのまま渡すのではなく、文ごとに異なる参照音声・パラメータで生成してつなぐことで、擬似的な「SSML的制御」ができます。間（ま）を空けたい箇所は無音を挟んで連結するだけです。

本格的な SSML 制御がどうしても必要なら、クラウドTTSの併用も選択肢ですが、「自分の声で副業」という目的なら、上の①〜④の組み合わせで十分な表現幅が得られます。

音声モデルの著作権に注意すること

自分の声で副業する場合、以下の点に気をつけてください。

  • 他人の声の無断クローンは避ける：有名人や第三者の声を勝手に再現するのは、声の権利（パブリシティ権等）や肖像権的な問題を引き起こす恐れがあります。ベースにするのは自分の声、または権利者の許諾を得た音源に留めましょう。
  • 学習済みモデルと事前学習モデルのライセンスを確認：GPT-SoVITS 本体はオープンソースですが、同梱・追加する事前学習済みモデルや学習データによって利用条件が異なる場合があります。商用利用する前に、公式リポジトリの LICENSE と各モデルの利用条件を必ず各自で確認してください。
  • 依頼された声の「なりすまし」はNG：クライアントから「このYouTuberの声で」といった依頼が来ても断ります。自分の声のモデル提供、あるいはクライアント自身の声をその人に録ってもらって作る形なら許諾上のリスクは小さいです。

自前のTTSサーバー＋エージェントでナレーションを自動生成する想定

この記事のゴールは「自分の声で副業する」ことですが、さらに一歩進めて、自前のTTSサーバーを常時立てておき、AIエージェントにナレーションの指示を出すだけで、SoVITS が音声を作ってくれる体制を想定しておくと実用性が高まります。

構成イメージ：

  1. 常時起動のTTSサーバー：api.py / api_v2.py をバックグラウンドで稼働させ、http://127.0.0.1:9880 で待ち受け。
  2. AIエージェント（頭脳）：編集長が普段使っている LM Studio の Qwen 3.5-9B のようなローカルLLMを、ナレーション作成の指揮官にする。台本のたたき台生成、文分割、参照音声の使い分け指示などを任せる。
  3. 指示→生成のフロー：「この台本を、元気なトーンで、文ごとに間を少し空けて読み上げて」といった自然言語の指示をエージェントに出すと、エージェントが SoVITS のAPIを呼んで音声ファイルを出力する。

つまり「自分で録音する」「自分でボタンを押す」から、「エージェントに頼んで SoVITS に作らせる」へ。編集長の哲学である「AIは優秀な部下、自分は何を任せるかを決める司令塔」が、音声制作の現場でもそのまま当てはまります。ローカル完結なので、台本も音声も外に出ず、プライバシーとコスト（追加料金ゼロ）を両立できます。

現金化ルート（どう稼ぐか）

自分の声（またはオリジナル声）が作れるようになれば、次のような受注・販売が狙えます。いずれも「発注先・売り場所」を明記します。

  • ナレーション代行：YouTube動画・企業VP・eラーニング教材の読み上げ。受注先は クラウドワークス／ココナラ／ランサーズ の「ナレーション」「ボイスオーバー」案件。
  • オーディオブック制作：個人販売や BOOTH 等での音声コンテンツ販売（大規模プラットフォームの権利審査は厳しいため、まずは小規模から）。
  • キャラクターボイス・声のモデル販売：AIキャラや VTuber 向けに、あなたの声モデルを提供する。
  • ポッドキャスト・ラジオ代行：Open Notebook 等で台本を作り、GPT-SoVITS で読み上げる自動化フローを他人のために代行する。

注意（権利）：他人の声を無断でクローンするのは声の権利・肖像権的な問題を引き起こす恐れがあります。自分の声なら許諾上のリスクは小さいですが、商用利用する際は公式リポジトリの LICENSE と、学習済みモデルの利用条件を必ず各自で確認してください（詳細は「音声モデルの著作権に注意すること」のセクションも参照）。

まとめ

GPT-SoVITS は「少ない音声で自分の声を再現できる」ローカルTTSです。Windows なら統合版で手軽に始められ、APIサーバーを立てれば LLM とつなぐボイスチャットも作れます。抑揚は SSML ではなく「参照音声の使い分け＋speed＋分割生成」で作り込みます。ナレーション代行や音声コンテンツ販売といった副業ルートと直結する、実用性の高い技術です。

コメント

タイトルとURLをコピーしました