VoiceStudioは試す価値があるか。答えは3つのポイントに集約される。GitHubで10.6万スターを集めたローカル音声スタジオで、音声クローン、動画吹き替え、ディクテーション、文字起こしがすべて自分のパソコンで動く。ただし導入にはハードルがあり、デフォルトモデルの商用ライセンスにも落とし穴がある。この3点を確認してから動けば、無駄な手間を省ける。
プロジェクトと注目度
GitHub上のdebpalash/VoiceStudioは2026年4月9日に作られ、11月10日時点でスター数は106,188に達した。2か月で約4万スターから10万スターを超えた計算になる。本体はAGPL-3.0ライセンスで、うたい文句はシンプルだ。AI音声スタジオを、あなたのデバイスに。音声クローン、音声デザイン、動画吹き替え、ディクテーション、文字起こし、有声書の一括生成に対応し、ローカルAPI経由でエージェントとも連携できる。646言語という数字はデフォルトエンジンOmniVoiceの対応数で、エンジンごとにカバーする言語は異なる。
導入コストと始め方
Windows、macOS、Linux、Dockerに対応し、初回起動時にPython環境とモデルが自動でインストールされるため、自分でツールチェーンを用意する必要はない。公式は約10GBの空きディスク容量を求めており、モデルを増やすほどさらに必要になる。OmniVoiceは6GB以上の専用GPUメモリを推奨する。軽量エンジンならCPUだけでも動くが、速度はGPUの10分の1から50分の1になる。Windows版インストーラーは署名されていないため、初回起動時にSmartScreenにブロックされ、手動で許可する必要がある。
落とし穴と境界線
最も重要なのはライセンスだ。本体はAGPL-3.0で商用利用が認められているが、デフォルトの音声モデルOmniVoiceの重みはCC-BY-NCで、非商用に限られる。生成した音声を商用案件に使うなら、使うモデルごとにライセンスを確認しなければならず、有料のPro版ライセンスもモデル自体はカバーしない。他人の声をクローンする際は必ず事前に許可を取ること。すべてローカルで動く以上、保護機能は利用者の自覚に頼ることになる。モデルのダウンロードは容量が大きく、中国国内のネットワークでは遅くなる可能性がある。中国語で使う場合はまず短いサンプルで試し、結果が不満ならCosyVoice 3やIndexTTS 2.5に切り替えるのがよい。クラウド版はまだ公開されていないので、あるものとして計画しないこと。
プライバシーを重視し、録音をクラウドに上げたくないクリエイター、専用GPUやApple Silicon搭載Macを持ち、自分でいじるのが好きな人、動画吹き替えや有声書、一括ナレーションを作る個人ユーザーに向いている。生成した音声をそのまま商用案件に使い、ライセンス確認をしたくない人には向かない。薄型ノートパソコンしかなく、開いてすぐ使えるものを求める人も無理をする必要はなく、チームでの共同作業やサポートを重視するならクラウドサービスのほうが堅実だ。
