Supertonic 3でGPUなしの韓国語音声を作る

Supertonic 3はテキストと言語コードを受け取り、音声を作る多言語TTSです。公開モデルをONNX Runtime³で実行し、韓国語にkoと同梱の音声プリセットを指定してWAVを保存できます。モデルカードは韓国語、英語、日本語を含む31言語を掲載しています。Supertonic 3モデルカード

公開リポジトリは 2026 年 9 月 9 日にアーカイブされ、コードの更新とサポートは終了しました。以下の手順ではアーカイブ時点のコードと、固定したモデルアセットの revision をダウンロードします。

Python 3.11とGitが必要です。以下はmacOS・Linux用で、コードはアーカイブされたdefault branchから取得し、モデルファイルのrevisionを固定します。

git clone https://github.com/supertone-oss-archive/supertonic.git
cd supertonic
python3.11 -m venv .venv
source .venv/bin/activate
python -m pip install huggingface_hub
hf download supertone-oss-archive/supertonic-3 --revision aafc6e32416a594460b32413efc49d7fe4ce6d46 --local-dir assets

同じ仮想環境⁴にONNX例の依存パッケージを入れ、py/フォルダーから合成コマンドを実行します。例の既定音声はM1ですが、ここではプリセットファイルを明示します。--lang koは入力が韓国語であることを示します。

python -m pip install -r py/requirements.txt
cd py
python example_onnx.py --n-test 1 --text "오늘 회의는 오후 두 시에 시작합니다." --lang ko --voice-style ../assets/voice_styles/M1.json

Apple M4 CPU、ONNX Runtime 1.23.1 CPUExecutionProvider、F3、8 steps、speed 1.05、seed 42 の条件で測定しました。各言語で 1 回ウォームアップした後に 3 回実行し、モデル読み込み後の tts() 呼び出し時間のみを計測しました。

約 12 秒の韓国語音声では、合成呼び出しの中央値は 2.30 秒でした。この値にはモデルのダウンロード・読み込み、WAV 保存、MP3 エンコードは含まれません。公開サンプルを聞き、実際の原稿も CPU で生成して確認してください。測定条件とデータ

成功すると、入力文の一部をファイル名に含むWAVがpy/results/に作られます。数字、製品名、文末を聞いてください。別の声を試すにはM1.jsonをassets/voice_styles/内のF3.jsonなどに置き換えます。ファイルがない場合はターミナルの最初のエラーとpy/results/を確認します。

公開モデル資産にはM1～M5、F1～F5の10種類のプリセット音声スタイルが含まれます。モデルに含まれる声を選べます。同じ文と言語を使い、--voice-styleのパスだけを変えて発音や速度を比べます。

Voice Builder は参照録音からユーザースタイルを作成する別サービスでしたが、アーカイブ済みのリポジトリには含まれていません。このローカル例では M1～F5 のプリセットから選びます。他人の声を模倣する場合は、先に許可を得てください。

サンプルコードはMIT、モデル重みはOpenRAIL-Mライセンスです。ソフトウェアの改変・配布条件と、モデル重み・生成物に適用される条件を別々に確認します。リポジトリとモデルカードから各ライセンス本文を確認できます。

実際に使う分量を CPU で生成し、数字や名前、文末の読み方を聞いて確認します。ブラウザーで実行する場合は、アーカイブ済みリポジトリの web/README.md にあるローカル例を使って開発サーバーを起動します。