言葉に、感情のある声を。

試聴サンプルは、各クリップ横に記載されたモデルを使用し、ローカル環境のCLI経由でyovoiceにより生成されました。「穏やか」と「嬉しい」は同一テキスト・同一声線で、感情パラメータのみを変更しています。ブラウザ上でモデルを実行しているわけではありません。

デフォルトでは、ローカルの ~/.yovoice ディレクトリに保存されます。すべての原稿、音声アセット、モデルは手元で完全に管理されます。アプリをアンインストールしてもデータが消えることはありません。PCを移行する際は、このディレクトリをそのままバックアップ・コピーできます。

ローカル音声生成と楽譜レンダリングは完全オフラインで動作します。初回インストール時、モデルや音色ライブラリのダウンロード時、およびオプションのクラウドAI機能を使用する時のみネットワークが必要です。必要なファイルが揃えば、音声や音楽の生成はすべてローカルで完結します。楽譜レンダリングに推論エンジンやGPUは不要です。

はい、オプション機能として利用可能です。DeepSeek、Qwen、Kimi、OpenAI、Anthropic、Ollamaまたは互換APIを接続することで、AIが編曲全体を作曲したり、スタイル・歌詞・タイトルを提案したりできます。利用しなくても他の機能には影響しません。APIキーはローカルにのみ保存され、リクエストは選択したプロバイダにのみ送信されます。

現在の推論エンジンは audio.cpp v0.9.3 です。デスクトップ版は以下に対応しています：

• macOS：macOS 14以降、Apple Silicon（Mシリーズチップ）搭載機。Metalアクセラレーションにネイティブ対応。
• Windows：Windows 10/11（64ビット）。CPU、NVIDIA CUDA、実験的Vulkanに対応し、CUDA 12.4 / 13.3 インストーラーを提供。
• Linux：Linux x64（Debian/Ubuntu、.deb および install.sh 付き .tar.gz）、CPU内蔵エンジン付属、設定からVulkan GPUエンジンをダウンロード可能。

軽量な読み上げには4GB以上のメモリ、高音質クローンや音声設計には4〜6GBのVRAMまたは8GB以上のApple Silicon、楽曲や純音楽の生成には12GB以上のVRAMまたは16GB以上のApple Siliconを推奨します。必要要件は選択するモデルと精度によって異なります。

自動オーディオ診断と放送レベルのラウドネス基準エクスポートに対応：生成直後に音割れ、クリックノイズ、末尾の途切れ、過度な無音を自動検知し、タイムライン上に詳細と発生時間を表示。エクスポート時はオーディオブック（−18 LUFS）、ポッドキャスト（−16 LUFS）、動画共有サイト（−14 LUFS）の目標ラウドネスを選択でき、トゥルーピークを−1 dBTP未満に抑えます。

yovoice 自体は Apache-2.0 オープンソースライセンスを採用しています。生成物の商用利用可否は、各モデルのライセンスおよび入力素材に対する権利関係に依存します：

1. OmniVoice（CC-BY-NC）、YuE2（CC BY-NC 4.0）、Breeze TTS 2（BreezeBlue研究および非商用ライセンス）の重みは非商用利用に限定されています。Breeze TTS 2で生成された音声も商用利用できません。Stable Audio 3はStability AIコミュニティライセンスを採用しています（年間売上高100万米ドル未満は無料利用可能）。IndexTTSには独自のモデルライセンスがあります。
2. その他のモデルについても各提供元のライセンスをご確認ください。商用利用にあたっては、リファレンス音声や素材に関する正当な権利または許諾を保有していることをご確認ください。

もちろん可能です。独立CLI、Agent Skill、MCP連携により、デスクトップアプリを起動することなく、テキストと参照音声からの音声合成や、`yovoice score render` によるミックス・ステム出力が可能です。

Agent Skill を見る