テキストを自然な音声に変換し、わずか3秒の音声サンプルから声をクローンできるオープンソースTTS「VoxCPM2」がGitHub Trending 1位を獲得し話題になっています。
スター数は1万超。商用利用も可能なApache 2.0ライセンスで公開されています。
VoxCPM2とは
VoxCPM2（VoxCPM version 2）はオープンソースのText-to-Speechシステムです。
- 開発元: OpenBMB（MiniCPMシリーズの開発チーム）
- ライセンス: Apache 2.0（商用利用可）
- モデルサイズ: 2Bパラメータ
- 学習データ: 200万時間以上の多言語音声
従来TTSとの違い
一般的なTTSはテキストを「トークン（音素の断片）」に分解してから音声を合成します。VoxCPM2はトークナイザーを使わず、拡散＋自己回帰のハイブリッドアーキテクチャで連続音声を直接生成します。
結果として不自然な区切りが減り、人間の話し方に近いイントネーションが実現しています。
主な機能
| 機能 | 詳細 |
|---|---|
| テキスト→音声 | テキストだけで自然な音声を生成 |
| 声クローン | 3秒のサンプル音声から声質を複製 |
| 多言語対応 | 30言語（日本語含む） |
| 音質 | 48kHz スタジオ品質 |
| Voice Design | テキスト記述で声のキャラクターを指定 |
導入手順
必要環境
- Python 3.9以上
- GPU推奨（VRAM 8GB以上）/ CPUでも動作するが低速
- CUDA 11.8以上（GPU使用時）
インストール
git clone https://github.com/OpenBMB/MiniCPM-o
cd MiniCPM-o
pip install -r requirements.txt
モデルのダウンロード
HuggingFaceからモデルを取得します。
from huggingface_hub import snapshot_download
snapshot_download(
repo_id="openbmb/VoxCPM2",
local_dir="./models/voxcpm2"
)
具体的な使い方
1. テキストから音声を生成
from voxcpm2 import VoxCPM2
model = VoxCPM2("./models/voxcpm2")
audio = model.synthesize(
text="こんにちは。VoxCPM2のテストです。",
language="ja"
)
audio.save("output.wav")
2. 声クローン（3秒サンプルから）
audio = model.clone_and_synthesize(
text="クローンした声で読み上げます。",
reference_audio="sample.wav", # 3秒以上の参照音声
language="ja"
)
audio.save("cloned_output.wav")
3. Voice Design（テキストで声を設計）
audio = model.synthesize(
text="This is a test of voice design.",
voice_description="A calm, deep male voice with a slight British accent.",
language="en"
)
audio.save("designed_voice.wav")
4. 多言語対応
languages = ["ja", "en", "zh", "ko", "fr", "de", "es"]
for lang in languages:
audio = model.synthesize(
text=translations[lang],
language=lang
)
audio.save(f"output_{lang}.wav")
活用アイデア
- ブログ→Podcast変換: 記事テキストをそのまま音声化
- 多言語ナレーション: 1つのスクリプトから30言語分を自動生成
- アクセシビリティ: 視覚障害者向け読み上げコンテンツ
- キャラクターボイス: ゲーム・アプリのNPCボイス生成
- 動画ナレーション: YouTubeなどの解説動画の音声制作
安全性と倫理的な使い方
VoxCPM2は非常に強力なツールです。声クローン機能は悪用すると深刻な被害を生みます。利用前に必ず以下を確認してください。
やってはいけないこと
他人の声を無断でクローンするのは、肖像権・著作権・プライバシー権の侵害になる可能性があります。
- 有名人・芸能人の声を無断で複製して公開する
- 他人になりすました音声を作成してフィッシング詐欺に使う（刑事罰の対象）
- 本人が承認していない発言内容を音声化してフェイクとして拡散する
- 声優・ナレーターなど声を仕事にしている人の声を無断使用する
安全に使うためのルール
1. 自分の声か、明示的に許可を得た声だけを使う
声クローン機能を使う際は、本人の書面による同意を取得することを推奨します。
2. 生成音声であることを明示する
公開コンテンツに使う場合は「AI生成音声を使用しています」と明記してください。
3. ローカル運用を基本にする
VoxCPM2はオープンソースなのでローカルで完結できます。音声データを外部サービスに送らなくてよい点は、プライバシー面で優れています。
4. 商用利用時はライセンスを再確認
Apache 2.0ライセンスは商用利用可ですが、生成音声の権利関係は使用する参照音声の権利に依存します。
日本の法律での注意点
| リスク | 根拠法 |
|---|---|
| 本人になりすましたフィッシング音声 | 不正競争防止法・詐欺罪 |
| 名誉毀損となる偽発言の音声化 | 名誉毀損罪 |
| 声優等の声を無断商用利用 | 著作隣接権（実演家の権利） |
| プライベートな会話音声をクローン | プライバシー権侵害 |
まとめ
VoxCPM2は2Bパラメータで48kHz品質・30言語対応・声クローンが可能という、オープンソースTTSの中でも現時点でトップクラスの性能を持ちます。
Apache 2.0ライセンスで商用利用もできるため、コンテンツ制作・アクセシビリティ対応・多言語展開など幅広い用途に使えます。
ただし声クローン機能は他人の声を無断使用すると法的リスクがある強力なツールです。自分の声か明示的に許可された音声のみに使用してください。
倫理的な範囲で活用すれば、音声コンテンツ制作のコストと時間を大幅に削減できます。
日本語に特化した音声合成を検討している場合は、SB Intuitionsが公開したsarashina2.2-ttsの解説記事もあわせて比較してみてください。