W-Okada Voice Changer
w-okada · 音声・言語
W-Okada Voice Changerは、Windows、macOS、LinuxでAIによる音声変換をリアルタイムに行う無料のオープンソースアプリ。
W-Okada Voice Changer について
W-Okada Voice Changerとは
W-Okada Voice Changerは、しばしばVCClientと呼ばれるリアルタイムボイスチェンジャーで、話している最中に声の響きを変える。マイクを渡し、目標とする音声モデルを選ぶと、ソフトが音声をその場で組み直し、聞き手には自分の声ではなく別の声が届く。日本の開発者コミュニティが手がけるRVC（検索ベースのAI音声変換モデルとして人気が高い）から生まれ、その後は独自のBeatrice系も加わった。サブスクなしのRVCボイスチェンジャーを求める人にとって、オフラインで動く数少ない本格的な選択肢のひとつだ。
最大の魅力は自分のマシン上で動く点にある。音声はローカルの処理を通り、誰かのサーバーは経由しない。通話中や、アップロードしたくない音源を録音しているときには、これが大きく効く。ただしこのローカル構成が難点でもある。ライブ用途に耐える低遅延を得るには、それなりのGPUかApple Siliconチップを積んだマシンが必要で、変換を強くするほど計算資源を食う。
これは作り込む人向けのツールで、すぐ使えるアプリではない。導入ではハードウェアに合うエディションを選び、モデルファイルをダウンロードし、遅延がしっくりくるまでチャンクサイズとピッチを調整する。デスクトップのボイスチェンジャーソフトを使ったことがあれば、流れは馴染み深い。
はじめかた
- 自分のプラットフォームを確認し、リリースのエディションを選ぶ。Windows、macOS（M1）、Linuxはstd。WindowsでRVCも使いたいならcudaかonnx。
- プロジェクトのHugging Faceリポジトリからビルドをダウンロードする（WindowsとM1 Mac）。LinuxではGitHubリポジトリをクローンする。
- アプリを起動し、入力デバイス（マイク）と出力デバイスを選ぶ。
- 音声モデルを読み込み、チャンクサイズ、ピッチ、フォルマントを調整して、ライブ変換の音が決まるまで詰める。
- 変換後の音声を、お好みのボイスチャット、配信ソフト、録音ツールへ送る。
AIツール情報
W-Okada Voice Changerの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- 配信者とVTuber：サブスクを払わずにライブでキャラクターの声へ切り替える。遅延を低く保つには、そこそこ強力なGPUかMシリーズのMacが要る。
- 声優やホビー派：収録を確定する前に、さまざまなキャラクターの声をリアルタイムで試す。ローカル処理なので、生テイクは非公開のまま保てる。
- プライバシーを気にする通話者：自分のハードウェア上で声を変換し、音声をマシンの外に出さない。設定には多少の時間を見込む。
タスク
- 通話や配信でのライブ音声マスキング：低遅延の処理が話しながら変換するので、言葉と出力の間に気まずい間が生じない。
- キャラクターの声の練習：別々のモデルを立て続けに読み込み、自分の喋りがそれぞれでどう響くか聞く。
- 実験的な音声プロジェクト：同じ開発者のTTSClientやASRClientと組み合わせると、より充実した音声ワークフローになる。
シーン
- 特徴的な声でゲーム配信を行う：遅延を詰めたあと、長いセッションでも選んだ声を安定して保つ。
- 変名でポッドキャストのデモを録る：マイクの生音を録音機に入る前に変換する。
- 音声変換モデルの挙動を学ぶ：オープンソースのコードと差し替え可能なモデルが、実践の場になる。
主な機能
リアルタイム音声変換
W-Okada Voice Changerの中核は、マイクの入力をその場で変換することにある。モデルを選ぶと、話している間にアプリが音声のチャンクごとに組み直す。遅延はハードウェアとチャンク設定次第だが、力のあるマシンなら会話や配信、ライブ通話に十分なほど詰まる。
RVCとBeatriceを含む複数のAIモデル
このプロジェクトは複数の変換エンジンを扱う。RVCはコミュニティで長く支持されてきた定番で、Beatriceは開発者自身のモデルであり、現在はv2に達する。動かせるモデルはエディションで変わる。stdビルドはBeatriceを担い、cudaとonnxのビルドがRVCを追加する。この違いはダウンロード前に確認する価値がある。
データを送らないローカル処理
すべて自分のコンピュータ上で動く。声を変換するのにマシンの外へ出す必要がない。私的な通話や未公開の音源を扱う人にとって、これは実質的な利点だ。引き換えに、重い処理を担うハードウェアは自分で用意する。音が途切れず流れるだけのGPUかApple Siliconの性能を持つマシンが要る。
低遅延の調整コントロール
チャンクサイズ、ピッチ、フォルマントの設定で、声質を少し犠牲にして速度を取る、あるいはその逆ができる。半秒遅れてついてくる声と、普通の会話のやり取りに追いつく声の違いだ。ここを合わせるには何度か試すことになる。
クロスプラットフォームのリリース
アプリはWindows、macOS、Linux向けに配布される。Linuxのユーザーはリポジトリをクローンし、WindowsとM1 MacのユーザーはプロジェクトのHugging Faceリポジトリから既成のビルドを取る。ハードウェアごとに別々のエディションがあり、一本道に縛られない。
モデル学習サポート内蔵
Beatriceには専用の学習コードが付き、リポジトリとしてもGoogle Colabノートブックとしても使える。公開モデルだけに頼らず、独自の音声モデルを構築できる。手間は増えるが、他では見つからない声に手が届く。
音声デバイス管理の統合
アプリは入出力デバイスの選択を直接扱うので、変換した声を残りの環境につなげられる。マイクと出力を選び、結果をチャットアプリ、配信ソフト、録音機へ送る。小さなことだが、仮想ケーブルと格闘する手間を省いてくれる。
メリットとデメリット
メリット
- 無料のオープンソースで、サブスクも利用料もない。
- すべて自分のハードウェアで動くので、音声データは非公開のまま。
- RVCと開発者のBeatriceを含む複数の変換モデルに対応する。
- Windows、macOS、Linuxに専用ビルドがあり、どこでも動く。
- Beatriceの学習コードで独自の音声モデルを作れる。
デメリット
- 低遅延のライブ利用には強力なGPUかApple Siliconチップが要る。非力なマシンでは遅れる。
- 設定は技術的で、エディションの選択、モデルのダウンロード、手動の調整が絡む。
- 公開APIがないため、ホスト型サービスのようには自動処理に組み込めない。
- ドキュメントはコミュニティ頼みで、ベータや実験的とされるビルドもある。
よくある質問
無料だ。オープンライセンスで公開されたオープンソースプロジェクトなので、ダウンロードにも利用にも費用はかからない。必要なのは動かせるだけのハードウェアだけ。
関連コンテンツ
W-Okada Voice Changerに関連するツール、スキル、記事を探す。
W-Okada Voice Changerの代替ツール
Prosp
Prosp · ライティング · 音声・言語 · マーケティングProspは、代理店や営業チーム向けに作られたAI LinkedInアプローチツールだ。見込み客ごとに自分の声でメッセージとボイスメッセージを書き、相手が本当に返信するように仕向ける。アカウントをつなぎ、リードを見つけ、AIにパーソナライズされたメッセージを大量に下書きさせて送信させる。すべて1つの受信トレイから行える。大量のアウトバウンドを回す人向けにできている。それがこの製品の売り込みのすべてだ。それでも各接点は人間らしく感じられなければならない。
Wordly AI Translation
Wordly · 音声・言語 · 生産性向上Wordly AI Translationは、会議・カンファレンス・イベント向けに作られたリアルタイムAI翻訳・字幕プラットフォームだ。60以上の言語でライブ翻訳、字幕、文字起こし、要約を提供し、参加者は専用ヘッドセットを使わず、QRコードを読み取るかリンクを開くだけで参加できる。Zoom、Microsoft Teams、Google Meet、Webexと連携し、セッションごとに人間の通訳を雇わずに多言語対応したい組織に向く。それだけのことだ。
Musicful
Musicful AI · 音声・言語 · 動画Musicfulは、テキストを数分で音楽に変えるAI音楽ジェネレーター兼AIミュージックビデオ作成ツール。テキストの指示、歌詞、あるいは口ずさんだメロディーを渡すと、ボーカルと楽器が入った完成したトラックを返す。AI楽曲ジェネレーターとしても機能し、自分が作った曲からミュージックビデオを生成し、AIカバーツールと開発者向けAPIも備える。ウェブブラウザとAndroidアプリで動くので、パソコンで曲を始めてスマホで続きを進められる。