自分の声で読み上げたい — 参照音声30秒から作るボイスクローンTTS

自分の声でテキストを読み上げたいとき、既製のTTSでは声が違うという壁が残ります。参照音声30秒から声を登録し、HTTPで読み上げるまでを、TADAとFastAPIの実装から整理しました。登録と生成を分けた設計、長い音声の分割、そして向かないケースもまとめています。 [続きを読む]