IrodoriTTS

Irodori-TTS 500M v2は、日本語に特化したボイスクローニングTTSモデルです。servers/tts/irodoritts/にあるローカルFastAPIラッパーサーバーを介して実行されます。

セットアップ

TomoriBotのリポジトリのルート（TomoriBotをクローンしたフォルダー）から以下のコマンドを実行します（OSによって異なります）。

Windows PowerShellを使用する場合

# 1. エンジンフォルダー内にvenvを作成して有効化
python -m venv servers\tts\irodoritts\.venv
servers\tts\irodoritts\.venv\Scripts\Activate.ps1

# 2. pipをアップグレード
python -m pip install -U pip

# 3. サーバー実行時の依存関係（FastAPI、uvicorn、PyTorch）をインストール
pip install -r servers\tts\irodoritts\requirements.txt

# 4. (GPUのみ) CUDA対応のPyTorchを再インストール - CPUのみのインストールの場合はスキップ
pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124

# 5. パッチスクリプトを介してソースからirodori-ttsをインストール
.\servers\tts\irodoritts\install-irodori.ps1

# 6. サーバーを起動
python servers\tts\irodoritts\server.py

Linux/macOS Bashを使用する場合

# 1. エンジンフォルダー内にvenvを作成して有効化
python3 -m venv servers/tts/irodoritts/.venv
source servers/tts/irodoritts/.venv/bin/activate

# 2. pipをアップグレード
python -m pip install -U pip

# 3. サーバー実行時の依存関係（FastAPI、uvicorn、PyTorch）をインストール
python -m pip install -r servers/tts/irodoritts/requirements.txt

# 4. (LinuxのGPUのみ) CUDA対応のPyTorchを再インストール - CPUのみのインストールの場合はスキップ
python -m pip install torch torchaudio --index-url https://download.pytorch.org/whl/cu124

# 5. パッチスクリプトを介してソースからirodori-ttsをインストール
bash servers/tts/irodoritts/install-irodori.sh

# 6. サーバーを起動
python servers/tts/irodoritts/server.py

CUDAバージョン: ドライバーが古いツールキットを対象としている場合は、cu124をcu118またはcu121に置き換えてください。

TomoriBotがIrodoriTTSを使用している間は、そのターミナルを開いたままにしてください。デフォルトのエンドポイントURLはhttp://127.0.0.1:8013です。

TomoriBotへの登録

/provider custom-endpoint addを実行します。

capability: speech
api_style: tts-clone
endpoint_url: http://127.0.0.1:8013

モーダルで以下を設定します。

Voice Source Mode: Clone
Script Markup Style: Emoji

登録すると、エンドポイントはすぐに有効になります。今後、speechエンドポイントを切り替える場合にのみ/model speechを使用します。

ペルソナ音声のセットアップ

背景音楽のない、1人の話者による10〜20秒のクリアな日本語の音声クリップを準備します。
/speech voice-addを実行してクリップをアップロードします。
/speech voice-assignを実行し、ペルソナと音声サンプルを選択します。

TomoriBotは、テキストをTTSに送信する前にDiscordのカスタム絵文字構文を削除します。script_markup: emojiを設定すると、IrodoriTTSの感情制御用にUnicode絵文字が保持されます。他のspeechモードではUnicode絵文字も削除されるため、文字通りに読まれることはありません。

インストールスクリプトが存在する理由

アップストリームのパッケージングメタデータがpipフレンドリーではなく、dacvaeがPyPIにないため、直接pip install git+https://github.com/Aratako/Irodori-TTSを実行すると現在失敗します。インストールスクリプトはパッケージレイアウトにパッチを当て、ピン留めされたGitHubの依存関係をインストールします。

Irodori-TTSとdacvaeはどちらもGitHubからインストールされます。サイレントなアップストリームの変更がインストールに影響を与えるのを防ぐため、スクリプトは両方を特定のコミットSHA（install-irodori.ps1の先頭で定義されています）にピン留めします。

環境変数

変数	デフォルト値	目的
`IRODORI_TTS_MODEL_ID`	`Aratako/Irodori-TTS-500M-v2`	HuggingFaceモデルリポジトリ
`TOMORI_TTS_HOST`	`127.0.0.1`	サーバーのバインドアドレス
`TOMORI_TTS_PORT`	`8013`	サーバーのポート
`IRODORI_MODEL_DEVICE`	`cuda` / `cpu`	推論デバイス
`IRODORI_CODEC_DEVICE`	モデルデバイスと同じ	コーデックデバイス
`IRODORI_MODEL_PRECISION`	`bf16` (GPU) / `fp32` (CPU)	モデル精度
`IRODORI_CODEC_PRECISION`	`fp32`	コーデック精度
`TOMORI_TTS_MAX_TEXT_CHARS`	`1000`	リクエストごとのテキスト長の上限