ailia Tech BLOG
ailia AI Voice : UnityやC++から使用できるAI音声合成ライブラリ
UnityやC++から使用できるAI音声合成ライブラリであるailia AI Voiceのご紹介です。ailia AI Voiceを使用することで、簡単にアプリケーションにAI音声合成を実装することが可能です。
ailia AI Voiceの概要
ailia AI Voiceは、AIを使用した音声合成を行うためのライブラリです。Unity向けのC#のAPIと、ネイティブアプリ向けのCおよびFlutterのAPI、PC向けのPythonのAPIを提供します。ailia AI Voiceを使用することで、AIを使用した音声合成を簡単にアプリケーションに実装することが可能です。
ailia AI Voice
ailia AI Voiceは、クラウド接続不要で、エッジ端末だけでオフラインで音声合成を行うことが可能です。また、最新のGPT-SoVITSに対応しており、任意の声色での音声合成が可能です。
ailiaAI Voiceの特徴
多言語に対応
英語の音声合成モデルと、日本語の音声合成モデルを使用可能です。英語向けにはTacotron2のNVIDIAの公式モデル、日本語向けにはGPT-SoVITSの公式モデルを提供しています。
オフラインで動作
クラウド不要で端末だけで音声合成を実行可能です。また、CPUだけでも推論が可能です。
モバイルデバイス対応
PCだけでなく、iOSやAndroidのモバイルデバイスでも音声合成が実行可能です。
UnityおよびFlutter対応
C APIに加えて、Unity PluginおよびFlutter Bindingを提供しているため、UnityやFlutterを使用したアプリケーションに簡単に音声合成を実装可能です。
任意の声色での音声合成に対応
GPT-SoVITSを使用することで、10秒程度の音声ファイルを与えることで、任意の声色で音声合成を行うことが可能です。
ailia AI Voiceのアーキテクチャ
ailia AI Voiceでは、音声合成のアルゴリズムにTacotron2と、GPT-SoVITSを選択可能です。Tacotron2とGPT-SoVITSで日本語を使用するには、日本語のテキストを音素に変換する必要があり、G2Pの機能をailia AI Voiceのライブラリに内蔵しています。これにより、Windows、macOS、Linux、iOS、Androidで使用可能です。
アーキテクチャ
ailia AI Voiceの使用方法
C#を使用して音声合成をする例です。AiliaVoiceModelを作成し、OpenDictionaryで辞書を、OpenModelでAIモデルを読み込み、G2Pでテキストを音素に変換、Inferenceを呼び出すことでAudioClipを取得可能です。GPT-SoVITSの場合は、リファレンスとなる10秒程度の音声ファイルと、対応するテキストを与えることで、任意の声色で音声合成可能です。
void Initialize(){
bool status = voice.Create(Ailia.AILIA_ENVIRONMENT_ID_AUTO, AiliaVoice.AILIA_VOICE_FLAG_NONE);
string asset_path=Application.streamingAssetsPath;
string path = asset_path+"/AiliaVoice/";
status = voice.OpenDictionary(path+"open_jtalk_dic_utf_8-1.11", AiliaVoice.AILIA_VOICE_DICTIONARY_TYPE_OPEN_JTALK);
switch(model){
case MODEL_TACOTRON2_ENGLISH:
status = voice.OpenModel(path+"onnx/nvidia/encoder.onnx", path+"onnx/nvidia/decoder_iter.onnx", path+"onnx/nvidia/postnet.onnx", path+"onnx/nvidia/waveglow.onnx", null, AiliaVoice.AILIA_VOICE_MODEL_TYPE_TACOTRON2, AiliaVoice.AILIA_VOICE_CLEANER_TYPE_BASIC);
break;
case MODEL_GPT_SOVITS_JAPANESE:
status = voice.OpenModel(path+"onnx/gpt-sovits/t2s_encoder.onnx", path+"onnx/gpt-sovits/t2s_fsdec.onnx", path+"onnx/gpt-sovits/t2s_sdec.opt.onnx", path+"onnx/gpt-sovits/vits.onnx", path+"onnx/gpt-sovits/cnhubert.onnx", AiliaVoice.AILIA_VOICE_MODEL_TYPE_GPT_SOVITS, AiliaVoice.AILIA_VOICE_CLEANER_TYPE_BASIC);
break;
}
}
void Infer(string text){
if (model == MODEL_GPT_SOVITS_JAPANESE){
text = voice.G2P(text, AiliaVoice.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA);
string ref_text = voice.G2P("水をマレーシアから買わなくてはならない。", AiliaVoice.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA);
voice.SetReference(ref_clip, ref_text);
}
voice.Inference(text);
audioSource.clip = voice.GetAudioClip();
audioSource.Play();
}
void Uninitialize(){
voice.Close();
}
非同期で音声合成を行いたい場合は、Taskを使用することもできます。なお、複数のスレッドから同時にInferenceを行うと例外が発生しますので、上層で排他制御を行ってください。また、AudioClipはサブスレッドからは操作できないため、SetReferenceとGetAudioClipはメインスレッドで操作する必要があります。
using System.Threading;
using System.Threading.Tasks;
void Infer(string text){
var context = SynchronizationContext.Current;
Task.Run(async () =>
{
string feature = voice.G2P(text, AiliaVoice.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA);
bool status = voice.Inference(feature);
context.Post(state =>
{
clip = voice.GetAudioClip();
audioSource.clip = clip;
audioSource.Play();
}, null);
});//.Wait();
}
合成音声のサンプル
Tacotron2の英語音声のサンプルは下記となります。
https://storage.googleapis.com/ailia-models/blog/tacotron2.wav
GPT-SoVITSの日本語音声のサンプルは下記となります。https://storage.googleapis.com/ailia-models/blog/gpt-sovits.wav
ailia AI Voiceを使用することで、最新の音声合成モデルを使用した、自然な音声合成が可能です。
声質のリファレンスとなる音声について
GPT-SoVITSは10秒程度の音声を与えることで、その声質で音声合成が可能です。その際、無音区間が長い音声を与えると不安定になる場合があるので、無音部分を手動で削除した音声ファイルを与えることが望ましいです。また、喋っているテキストの末尾には「。」がある方が安定します。
モデルサイズと推論速度
Tacotron2のモデルは、音素からパワースペクトルを計算するモデルが112MB、パワースペクトルから位相を計算して波形に戻すモデルが312MBとなっています。
GPT-SoVITSのモデルは、特徴抽出が377MB、エンコーダが11MB、デコーダが615MB、音声変換が162MBとなります。
macOSのM3のCPUで、GPT-SoVITSを使用した場合、2.9秒の音声を2.8秒程度で音声合成可能です。また、さらに多くのデバイスでリアルタイム推論を可能とするための高速化を進めています。
ailia AI Voiceの評価版とドキュメント
ailia AI Voiceの評価版は下記からダウンロード可能です。
AILIA-VOICE 評価ライセンス申し込みailia評価版使用許諾契約書 …axip-console.appspot.com
APIドキュメントは下記から参照可能です。
GitHub - ailia-ai/ailia-sdk: ailia SDK Documentationailia SDK Documentation. Contribute to ailia-ai/ailia-sdk development by creating an account on GitHub.github.com
ailia AI Voiceのデモアプリ
macOSで実行可能なailia AI Voiceのデモアプリは下記からダウンロード可能です。
AILIA-VOICE 1.4.0_demo_mac ダウンロードEdit descriptionaxip-console.appspot.com
起動後、モデルが自動的にダウンロードされます。テキストボックスにテキストを入力し、Speakで音声合成が可能です。Tacotron2では英語が、GPT-SoVITSでは日本語が使用可能です。
デモアプリの実行例
起動時に「不正なバイナリ」と表示される場合は、下記のコマンドでダウンロード属性を解除してください。
xattr -d com.apple.quarantine ailia_voice_sample.app
チュートリアル
Unityから使用する（Unity Package）
ailia AI Voiceの評価版にはUnity Packageが含まれています。Unity Packageのサンプルでは、任意のテキストから音声合成を行い、再生を行うことが可能です。
ailia AI Voiceのサンプルプログラム
ailia AI VoiceのUnity Packageをインポートした後、Package Managerで下記の依存ライブラリをインストールしてください。ライセンスファイルは自動的にダウンロードされます。
ailia SDK（コアモジュール）
https://github.com/ailia-ai/ailia-sdk-unity.git
ailia Audio（音声処理に必要）
https://github.com/ailia-ai/ailia-audio-unity.git
ailia SDKとailia AudioをPackage Managerに追加
Unityから使用する（Package Manager + ailia MODELS Unity）
ailia MODELS Unityからも使用可能です。ailia MODELS Unityでは、下記のパッケージを参照しています。
ailia Voice（音声合成モジュール）
https://github.com/ailia-ai/ailia-voice-unity.git
ailia MODELS Unityに含まれるTextToSpeech.sceneを使用することで、音声合成を使用可能です。
ailia MODELS Unityの中のTextToSpeech.scene
ailia MODELS Unityの場合、Tacotron2とGPT-SoVITSはInspectorで切り替え可能です。また、ref_clipに声質のリファレンスとなる音源を設定可能です。「水をマレーシアから買わなくてはならない。」と喋っている音声を与えることで、その声質を利用可能です。その他のテキストの音声で声質を設定する場合は、AiliaVoiceSample.csのテキストを喋っているテキストで書き換えてください。
Reference Clipの設定
なお、GPT SoVitsは毎フレーム、Shapeが変化する関係で、現状、GPUよりもCPUの方が動作が高速です。将来的に、GPU向けの最適化が実装される予定です。
ailia AI Voiceの使用にはailia SDK 1.4.0以降が必要です。実行時にエラーが発生する場合は、Package Managerで1.4.0以上になっているか確認してください。
C++から使用する
SDKを展開後、cppフォルダで下記のコマンドでビルドします。ライセンスファイルが存在しないとエラー（-20）が発生するため、ライセンスファイルをcppフォルダにコピーしてください。
Windows
cl ailia_voice_sample.cpp wave_writer.cpp wave_reader.cpp ailia_voice.lib ailia.lib ailia_audio.lib
macOS
clang++ -o ailia_voice_sample ailia_voice_sample.cpp wave_writer.cpp wave_reader.cpp libailia_voice.dylib libailia.dylib libailia_audio.dylib -Wl,-rpath,./ -std=c++17
Linux
g++ -o ailia_voice_sample ailia_voice_sample.cpp wave_writer.cpp wave_reader.cpp libailia_voice.so libailia.so libailia_audio.so
実行
./ailia_voice_sample tacotron2
./ailia_voice_sample gpt-sovits
Flutterから使用する（pubspec）
pubspec.yamlに下記を追加します。
ailia:
git:
url: https://github.com/ailia-ai/ailia-sdk-flutter.git
ailia_audio:
git:
url: https://github.com/ailia-ai/ailia-audio-flutter.git
ailia_voice:
git:
url: https://github.com/ailia-ai/ailia-voice-flutter.git
下記のコードで音声合成を行います。
Future<void> inference(
String targetText,
String outputPath,
String encoderFile,
String decoderFile,
String postnetFile,
String waveglowFile,
String? sslFile,
String dicFolder,
int modelType) async {
_ailiaVoiceModel.open(
encoderFile,
decoderFile,
postnetFile,
waveglowFile,
sslFile,
dicFolder,
modelType,
ailia_voice_dart.AILIA_VOICE_CLEANER_TYPE_BASIC,
ailia_voice_dart.AILIA_VOICE_DICTIONARY_TYPE_OPEN_JTALK,
ailia_voice_dart.AILIA_ENVIRONMENT_ID_AUTO);
if (modelType == ailia_voice_dart.AILIA_VOICE_MODEL_TYPE_GPT_SOVITS) {
ByteData data = await rootBundle.load("assets/reference_audio_girl.wav");
final wav = Wav.read(data.buffer.asUint8List());
List<double> pcm = List<double>.empty(growable: true);
for (int i = 0; i < wav.channels[0].length; ++i) {
for (int j = 0; j < wav.channels.length; ++j) {
pcm.add(wav.channels[j][i]);
}
}
String referenceFeature = _ailiaVoiceModel.g2p("水をマレーシアから買わなくてはならない。",
ailia_voice_dart.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA);
_ailiaVoiceModel.setReference(
pcm, wav.samplesPerSecond, wav.channels.length, referenceFeature);
}
String targetFeature = targetText;
if (modelType == ailia_voice_dart.AILIA_VOICE_MODEL_TYPE_GPT_SOVITS) {
targetFeature = _ailiaVoiceModel.g2p(targetText,
ailia_voice_dart.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA);
}
final audio = _ailiaVoiceModel.inference(targetFeature);
_speaker.play(audio, outputPath);
_ailiaVoiceModel.close();
}
}
Flutterから使用する（ailia MODELS Flutter）
ailia MODELS Flutterからも使用可能です。下記のリポジトリをクローンして実行します。
ailia AI Voiceの利用にはailia SDK 1.4.0以降が必要です。下記のコマンドでアップデートしてください。
flutter pub upgrade
ailia MODELS Flutterを実行すると、モデルリストからTacotron2とGPT-SoVITSを選択可能です。プラスボタンを押して推論を開始します。
Pythonから使用する
Pythonから使用する場合、pipでailia_voiceをインストールします。
pip3 install ailia_voice
下記のコードで音声合成が可能です。
import ailia_voice
import librosa
import time
import soundfile
import os
import urllib.request
# Load reference audio
ref_text = "水をマレーシアから買わなくてはならない。"
ref_file_path = "reference_audio_girl.wav"
if not os.path.exists(ref_file_path):
urllib.request.urlretrieve(
"https://github.com/ailia-ai/ailia-models/raw/refs/heads/master/audio_processing/gpt-sovits/reference_audio_captured_by_ax.wav",
"reference_audio_girl.wav"
)
audio_waveform, sampling_rate = librosa.load(ref_file_path, mono=True)
# Infer
voice = ailia_voice.GPTSoVITS()
voice.initialize_model(model_path = "./models/")
voice.set_reference_audio(ref_text, ailia_voice.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA, audio_waveform, sampling_rate)
buf, sampling_rate = voice.synthesize_voice("こんにちは。今日はいい天気ですね。", ailia_voice.AILIA_VOICE_G2P_TYPE_GPT_SOVITS_JA)
# Save result
soundfile.write("output.wav", buf, sampling_rate)
アイリア株式会社はAIを実用化する会社として、クロスプラットフォームでGPUを使用した高速な推論を行うことができるailia SDKを開発しています。アイリア株式会社ではコンサルティングからモデル作成、SDKの提供、AIを利用したアプリ・システム開発、サポートまで、 AIに関するトータルソリューションを提供していますのでお気軽にお問い合わせください。