coqui-ai TTS のインストールと動作確認（多言語の音声変換，音声合成）（Python，PyTorch を使用）（Windows 上）

【目次】

1. 前準備
2. coqui-ai TTS のインストール（Windows 上）
3. coqui-ai TTS の動作確認（Windows 上）
4. coqui-ai TTS を使う Python プログラムの実行（Windows 上）

前準備

Git のインストール（Windows 上）

Gitは，バージョン管理システム．ソースコードの管理や複数人での共同に役立つ．

【サイト内の関連ページ】

Windows での Git のインストール: 別ページ »で説明している．

【関連する外部ページ】

Git の公式ページ: https://git-scm.com/

Python のインストール（Windows 上）

【サイト内の関連ページ】

• Windows での Python 3.10，関連パッケージ，Python 開発環境のインストール: 別ページ »で説明している．
• Windows での Anaconda3 のインストール: 別ページ »で説明している．
• Python のまとめ: 別ページ »にまとめている．

【関連する外部ページ】

Python の公式ページ: https://www.python.org/

Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN 8.6 のインストール（Windows 上）

【サイト内の関連ページ】

NVIDIA グラフィックスボードを搭載しているパソコンの場合には， NVIDIA ドライバ， NVIDIA CUDA ツールキット， NVIDIA cuDNN のインストールを行う．

• Windows での Build Tools for Visual Studio 2022，NVIDIA ドライバ，NVIDIA CUDA ツールキット 11.8，NVIDIA cuDNN v8.6 のインストールと動作確認: 別ページ »で説明している．

【関連する外部ページ】

• Build Tools for Visual Studio 2022 （ビルドツール for Visual Studio 2022）の公式ダウンロードページ: https://visualstudio.microsoft.com/ja/visual-cpp-build-tools/
• NVIDIA ドライバのダウンロードの公式ページ: https://www.nvidia.co.jp/Download/index.aspx?lang=jp
• NVIDIA CUDA ツールキットのアーカイブの公式ページ: https://developer.nvidia.com/cuda-toolkit-archive
• NVIDIA cuDNN のダウンロードの公式ページ: https://developer.nvidia.com/cudnn
• winimage の ZLIB DLL の公開ページ: http://www.winimage.com/zLibDll/

PyTorch のインストール（Windows 上）

1. Windows で，コマンドプロンプトを管理者として実行

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. PyTorch のページを確認

   PyTorch のページ: https://pytorch.org/index.html

3. 次のようなコマンドを実行（実行するコマンドは，PyTorch のページの表示されるコマンドを使う）．

   次のコマンドは， PyTorch 2.0 （NVIDIA CUDA 11.8 用） をインストールする． 但し，Anaconda3を使いたい場合には別手順になる．

   事前に NVIDIA CUDA のバージョンを確認しておくこと（ここでは，NVIDIA CUDA ツールキット 11.8 が前もってインストール済みであるとする）．

   PyTorch で，GPU が動作している場合には，「torch.cuda.is_available()」により，True が表示される．

   python -m pip install -U --ignore-installed pip
   python -m pip install -U torch torchvision torchaudio numpy --index-url https://download.pytorch.org/whl/cu118
   python -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
   

   

   Anaconda3を使いたい場合には， Anaconda プロンプト (Anaconda Prompt) を管理者として実行し， 次のコマンドを実行する． （PyTorch と NVIDIA CUDA との連携がうまくいかない可能性があるため，Anaconda3を使わないことも検討して欲しい）．

   conda install -y pytorch torchvision torchaudio pytorch-cuda=11.8 cudnn -c pytorch -c nvidia
   py -c "import torch; print(torch.__version__, torch.cuda.is_available())" 
   

   【サイト内の関連ページ】

   • Windows での PyTorch のインストール: 別ページ »で説明している．

   【関連する外部ページ】

   • PyTorch のページ: https://pytorch.org/index.html

coqui-ai TTS のインストール（Windows 上）

1. Windows で，コマンドプロンプトを管理者として実行

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. ダウンロードとインストール

   cd %HOMEPATH%
   rmdir /s /q TTS
   git clone https://github.com/coqui-ai/TTS
   cd TTS
   pip install -e .[all]
   

3. 関連ファイルをダウンロード

   cd %HOMEPATH%\TTS
   curl -L -O https://github.com/coqui-ai/TTS/releases/download/v0.6.1_models/tts_models--ja--kokoro--tacotron2-DDC.zip
   curl -L -O https://github.com/coqui-ai/TTS/releases/download/v0.6.1_models/vocoder_models--ja--kokoro--hifigan_v1.zip
   cd %HOMEPATH%\AppData\Local
   mkdir tts
   cd tts
   copy %HOMEPATH%\TTS\tts_models--ja--kokoro--tacotron2-DDC.zip .
   powershell -command "Expand-Archive -Path tts_models--ja--kokoro--tacotron2-DDC.zip" .
   copy %HOMEPATH%\TTS\vocoder_models--ja--kokoro--hifigan_v1.zip .
   powershell -command "Expand-Archive -Path vocoder_models--ja--kokoro--hifigan_v1.zip" .
   

coqui-ai TTS の動作確認（Windows 上）

音声合成を実行してみる．

1. Windows で，コマンドプロンプトを管理者として実行

   コマンドプロンプトを管理者として実行: 別ページ »で説明

2. 次のコマンドを実行

   音声合成が行われる．

   cd %HOMEPATH%
   tts --text "こんにちは．こんばんわ" --model_name "tts_models/ja/kokoro/tacotron2-DDC" --out_path speech.wav
   

3. Windows では，次のようなコマンドの実行により，音声ファイルの再生が行われる．

   speech.wav
   

プログラム例

公式ドキュメントのプログラムを変更して使用

音声合成

from TTS.api import TTS
text = "こんにちは。こんばんわ。これは音声合成です。"
model_name = "tts_models/ja/kokoro/tacotron2-DDC"
output_path = "output.wav"


tts = TTS(model_name, progress_bar=True, gpu=True)
tts.tts_to_file(text=text, file_path=output_path)

import numpy as np
from scipy.io import wavfile

import pygame
pygame.mixer.init(frequency=44100)
pygame.mixer.music.load(output_path)
pygame.mixer.music.play()

音声変換

from TTS.api import TTS
text = "こんにちは。こんばんわ。これは音声合成です。"
model_name = "tts_models/ja/kokoro/tacotron2-DDC"
output_path = "output.wav"

tts = TTS(model_name, progress_bar=True, gpu=True)
tts.tts_with_vc_to_file(
    text,
    speaker_wav="s14-3.wav",
    file_path=output_path
)

import numpy as np
from scipy.io import wavfile

import pygame
pygame.mixer.init(frequency=44100)
pygame.mixer.music.load(output_path)
pygame.mixer.music.play()

from TTS.api import TTS
output_path = "output.wav"

tts = TTS(model_name="voice_conversion_models/multilingual/vctk/freevc24", progress_bar=True, gpu=True)
tts.voice_conversion_to_file(source_wav="source.wav", target_wav="s14-3.wav", file_path=output_path)

import numpy as np
from scipy.io import wavfile

import pygame
pygame.mixer.init(frequency=44100)
pygame.mixer.music.load(output_path)
pygame.mixer.music.play()