|
|---|
|
|
|
これは日々の作業を通して学んだことや毎日の生活で気づいたことをを記録しておく備忘録である。
HTML ファイル生成日時: 2026/10/25 16:50:22.246 (台灣標準時)
自由に使える TTS (text-to-speech) として kokoro-onnx というものがあり、 作られる音声の質もよい、という記述を見かけたので、試してみることにした でござる。 NetBSD にインストールするのは手間と時間がかかりそうなので、 まず Debian GNU/Linux でインストールをしてみることにしたでござる。
まず、必要なパッケージをインストールするでござる。
# apt install python3-pip python3-venv espeak-ng libportaudio2
venv を使って、 kokoro-onnx 専用の Python 実行環境を作るでござる。
% mkdir share/kokoro % cd share/kokoro % python3 -m venv venv
仮想環境を有効化するでござる。
% cd % cd share/kokoro/venv/bin % source activate.csh
kokoro-onnx に必要な Python パッケージを仮想環境にインストールするでご ざる。
% pip install --upgrade pip % pip install kokoro-onnx soundfile "misaki[ja]"
https://github.com/thewh1teagle/kokoro-onnx から kokoro-onnx のモデルファイルをダウンロードするでござる。 kokoro-v1.0.onnx と voices-v1.0.bin をダウンロードするでござる。
% cd % cd share/kokoro % wget https://github.com/thewh1teagle/kokoro-onnx/releases/download/model-files-v1.1/kokoro-v1.0.onnx % wget https://github.com/thewh1teagle/kokoro-onnx/releases/download/model-files-v1.1/voices-v1.0.bin
|
|
|---|
|
|
|
|
|
|
これで、準備はできたので、 Python のプログラムを書いて、実際に使ってみ るでござる。以下のようなプログラムを準備したでござる。
#!/home/daisuke/share/kokoro/venv/bin/python3 # # Time-stamp: <2026/10/15 07:42:22 (UT+08:00) daisuke> # # importing numpy module import numpy # importing soundfile module import soundfile # importing kokoro_onnx module import kokoro_onnx # importing misaki module import misaki.ja # output file name file_output = 'test.wav' # volume volume_factor = 1.5 # making kokoro object kokoro_model = '/home/daisuke/share/kokoro/kokoro-v1.0.onnx' kokoro_voice = '/home/daisuke/share/kokoro/voices-v1.0.bin' kokoro = kokoro_onnx.Kokoro (kokoro_model, kokoro_voice) # text text = "これは kokoro-onnx による音声合成の試験です。" # phonemes g2p = misaki.ja.JAG2P () phonemes = g2p (text) # generating speech samples, sample_rate = kokoro.create ( phonemes, voice="jf_gongitsune", speed=0.98, lang="ja", is_phonemes=True, ) # adjustment of volume samples_adjusted = numpy.clip (samples * volume_factor, -1.0, +1.0) # writing output file soundfile.write (file_output, samples_adjusted, sample_rate)
日本語の文字列を直接に .create () メソッドに渡すと、上手く処理してもら えなかったでござる。 misaki を使って文字を音素に変換してから、 .create () メソッドに渡すと上手くいったでござる。
音声合成が上手くいったので、より便利に使える Python のプログラムを作っ てみたでござる。
#!/home/daisuke/share/kokoro/venv/bin/python3 # # Time-stamp: <2026/10/15 07:47:51 (UT+08:00) daisuke> # # importing argparse module import argparse # importing os module import os # importing numpy module import numpy # importing soundfile module import soundfile # importing kokoro_onnx module import kokoro_onnx # importing misaki module import misaki.ja # importing subprocess module import subprocess # default sample rate default_sample_rate = 24000 # silence time_short_silence = 0.2 time_long_silence = 0.5 samples_short_silence = numpy.zeros (int (default_sample_rate * time_short_silence), \ dtype=numpy.float32) samples_long_silence = numpy.zeros (int (default_sample_rate * time_long_silence), \ dtype=numpy.float32) # PID pid = os.getpid () def main (): # initialising a parser descr = f'generating a MP3 file from a text file using kokoro-onnx' parser = argparse.ArgumentParser (description=descr) # choices choices_voice = [ 'jf_alpha', 'jf_gongitsune', 'jf_nezumi', 'jf_tebukuro', 'jm_kumo', ] choices_lang = [ 'en-us', 'ja', ] # home directory dir_home = os.getenv ('HOME') default_dir_kokoro = f'{dir_home}/share/kokoro' parser.add_argument ('-a', '--volume', type=float, default=1.0, \ help='audio volume (default: 1.0)') parser.add_argument ('-i', '--text', default='input.txt', \ help='input text file (default: input.txt)') parser.add_argument ('-k', '--kokoro', default=default_dir_kokoro, \ help=f'kokoro directory (default: {default_dir_kokoro})') parser.add_argument ('-l', '--lang', choices=choices_lang, default='ja', \ help='language of text (default: ja)') parser.add_argument ('-m', '--model', default='kokoro-v1.0.onnx', \ help='kokoro model file (default: kokoro-v1.0.onnx)') parser.add_argument ('-o', '--audio', default='output.mp3', \ help='output audio file (default: output.mp3)') parser.add_argument ('-p', '--package', default='voices-v1.0.bin', \ help='voice package file (default: voices-v1.0.bin)') parser.add_argument ('-r', '--rate', type=float, default=1.0, \ help='rate (speed) of speech (default: 1.0)') parser.add_argument ('-s', '--voice', \ choices=choices_voice, default='jf_nezumi', \ help='voice of synthesised speech (default: jf_nezumi)') parser.add_argument ('-v', '--verbose', action='store_true', \ help='verbosity') # parsing arguments args = parser.parse_args () # input parameters dir_kokoro = args.kokoro file_audio = args.audio file_text = args.text kokoro_model = args.model kokoro_voice = args.package text_lang = args.lang speech_rate = args.rate speech_voice = args.voice speech_volume = args.volume verbose = args.verbose # printing input parameters if (verbose): print (f'#') print (f'# Input parameters') print (f'#') print (f'# dir_kokoro = {dir_kokoro}') print (f'# file_audio = {file_audio}') print (f'# file_text = {file_text}') print (f'# kokoro_model = {kokoro_model}') print (f'# kokoro_voice = {kokoro_voice}') print (f'# speech_rate = {speech_rate}') print (f'# speech_voice = {speech_voice}') print (f'# speech_volume = {speech_volume}') print (f'#') # list of text lines list_lines = [] # opening input text file with open (file_text, 'r') as fh_in: # reading line-by-line for line in fh_in: # appending line to list if (line != '\n'): list_lines.append (line) # creating kokoro object kokoro = kokoro_onnx.Kokoro (f'{dir_kokoro}/{kokoro_model}', \ f'{dir_kokoro}/{kokoro_voice}') # G2P conversion by misaki g2p = misaki.ja.JAG2P () # list of audio segments list_speech = [] # making speech for line in list_lines: # G2P conversion phonemes = g2p (line) # generating speech samples, sample_rate = kokoro.create ( phonemes, voice=speech_voice, speed=speech_rate, lang='ja', is_phonemes=True, ) # adjustment of audio volume if (speech_volume != 1.0): samples_adjusted = numpy.clip (samples * speech_volume, -1.0, +1.0) else: samples_adjusted = samples # appending audio segments to list list_speech.append (samples_adjusted) list_speech.append (samples_long_silence) # combining all the audio segments combined_samples = numpy.concatenate (list_speech) # making wav file file_wav = f'/tmp/tmp_kokoro_{pid}.wav' soundfile.write (file_wav, combined_samples, sample_rate) # coverting wav file into mp3 file command_ffmpeg = f'ffmpeg -y -i {file_wav} {file_audio}' subprocess.run (command_ffmpeg, shell=True) # executing main function if (__name__ == '__main__'): main ()
kokoro-onnx で音声合成をして、できたファイルを再生してみると、明らかに 機械が読み上げているということがわかる、という印象を持ったでござる。な れど、自由に使える、ということは非常によいことだと思うので、使いみちを 考えてみたいでござる。