オープンソースの音声処理基盤 VoiceStudio が公開、646言語対応のローカル実行環境を提供

新たなオープンソースプロジェクトであるVoiceStudioが公開されました。このツールは、音声クローニング、音声デザイン、ビデオ吹き替え、ディクテーション、文字起こし、オーディオブック作成といった多岐にわたる機能を備えた、ElevenLabsの代替を目指す音声処理プラットフォームです。最大の特徴は、これら全てのワークフローをユーザー自身のローカルハードウェア上で完結できる点にあります。

技術構成として、デフォルトのエンジンにはk2-fsa/OmniVoiceが採用されていますが、ユーザーのニーズに応じて他のエンジンを選択することも可能な設計となっています。対応言語数は646に達しており、多言語展開が必要なユースケースにも対応します。リモートサービスの利用はオプションとされており、プライバシーを重視する開発環境や、インターネット接続が制限された環境での音声AI活用を支援します。使用状況の分析についても、ユーザーの同意を前提とする仕様となっています。