Fish Speech TTS（Fish Audio）（フィッシュスピーチティーティーエス）

Fish Speech TTS（Fish Audio）

概要

Fish Speechは、Fish Audioが開発したオープンソースTTSシステム。ゼロショット音声クローニング（参照音声なしで新しい声を複製）と多言語対応を両立し、Hugging Faceで公開されているモデルをローカル環境で実行できる。

バージョン履歴

アーキテクチャ（v1.5）

• 音声コーデック: Firefly-GAN（VQ-GAN派生、24kHz）
• シーケンスモデル: Fish-Speech-Transformer（Llama2ベース）
• クローニング: 10秒以下の参照音声でゼロショット対応
• 速度: RTF（Real-Time Factor）≈0.05（20倍速リアルタイム以上）
• パラメータ: 約500M
• ライセンス: CC-BY-NC-SA 4.0（非商用）

対応言語（14言語）

日本語・英語・中国語（簡/繁体）・スペイン語・フランス語・ドイツ語・韓国語・アラビア語・ポルトガル語・ロシア語・イタリア語・ヒンディー語・オランダ語

ローカル実行方法

# インストール
pip install fish-speech

# 音声クローニング
fish_speech infer \
  --text "こんにちは、これはFish Speechのテストです" \
  --reference_audio reference.wav \
  --output output.wav

注意点

• 参照音声に無音・雑音が多いとクローニング品質が下がる
• 商用利用には別途ライセンス契約が必要
• GPU（VRAM 4GB以上推奨）での実行が高速

まとめ

Fish Speechは軽量かつ高品質なゼロショット音声クローニングを実現したTTSシステム。多言語対応とオープンソース公開により、個人開発者から研究機関まで幅広く利用されている。