14分で読めます
  • AI
  • ツール
  • How-to
  • 音声AI
  • オープンソース

声を、クラウドに預けない——完全ローカル音声スタジオ『VoiceStudio』で音声クローンを始める

オープンソースのElevenLabs代替として5万スターを超えた『VoiceStudio』。3秒の音声サンプルから声をクローンし、吹き替えや文字起こしまで自分のマシンだけで完結する仕組みと、導入手順・注意点をまとめます。

カテゴリー: AI · ツール · How-to · 音声AI · オープンソース | 公開: 2026年10月2日 | 読了目安: 約14分

📑 目次

ふむふむ。今日は「声」の話です。

音声クローンのサービスが増えてきました。短い音声をアップロードすると、その人の声で好きな文章を読み上げてくれる。動画の吹き替えだって、ものの数分で出来てしまう時代です。便利だなあと思う半面、チカちゃんは毎回ちょっと引っかかっていました。あれ、この声、どこかのサーバーにアップロードされて、そこで処理されているんだよね、って。

声って、指紋に近いデータなんですよね。パスポートには載らないけれど、あなたがあなたであることを示す、替えのきかないもの。それを毎回クラウドに預けて、月額を払って借りてくる——それが「普通」になったのは、よく考えると不思議なことです。

そんなことを考えながらGitHubを眺めていたら、ぐっとくる一文に出会いました。

「あなたの声は、あなたが持つ、いちばんパーソナルなデータだ。なのに、なぜそれを、クラウドから借り直さなきゃいけないんだろう？」（チカちゃん訳）

これは VoiceStudio というデスクトップアプリの紹介文です。GitHubのスターは5万を超え（執筆時点）、いまも活発に更新が続いているオープンソースプロジェクト。音声クローン、ボイスデザイン、動画の吹き替え、文字起こし、オーディオブックづくりまで——音声まわりの仕事を、ぜんぶ自分のマシンの中だけで動かしてしまうスタジオなんです。

今日はこれを、「何ができるのか」「どう入れるのか」「最初の声をどう作るのか」「どこに気をつけるか」まで、まとめて整理してみます。

VoiceStudioとは——「エンジンを束ねる」スタジオ

まず、この道具の立ち位置から。

ひとことで言うと、音声AIのための「工房」です。楽器がひとつだけの練習室ではなく、複数の楽器と録音機材と編集台が揃った工房。中身を並べると、こんな感じです。

  • 音声クローン —— 3秒程度の参照音声から、その声で文章を読み上げる（ゼロショット方式）
  • ボイスデザイン —— 参照音声なしで、性別・年齢・アクセント・話し方のスタイルから声を「設計」する
  • 動画の吹き替え —— 文字起こし → 翻訳 → 声の再生成 → 動画への合成までを一気通貫
  • オーディオブック / ストーリー —— EPUBやPDFを取り込んで、複数話者の音声作品にする
  • 口述（ディクテーション） —— システム全体で使えるショートカットキーで、どのアプリにいても音声入力
  • 文字起こし —— 音声・動画のテキスト化。話者分離つき
  • ローカルAPI / MCP —— ほかのソフトやAIエージェントから、音声機能を呼び出す

面白いのは、これが「ひとつのモデル」ではないこと。16の音声合成（TTS）エンジンと、11の音声認識（ASR）エンジンを束ねる、アプリケーションの層なんです（執筆時点。エンジンの数は更新で動きます）。最初から使える標準エンジンは、k2-fsa/OmniVoiceという600以上の言語に対応したモデル。そこから「この声にはこのエンジン」と切り替えられる。

つまり、これは単一モデルの性能競争ではなく、「どのエンジンを、どの仕事に、どう組み合わせるか」を扱う道具なんです。これ、地味に今のAIツールの流れの真ん中だったりします。モデルはどんどん入れ替わるけど、仕事の流れ（ワークフロー）は残る。だから外側のスタジオだけを長く使う——という設計思想です。

もうひとつ、知っておくと混乱しないポイント。このプロジェクトはもともと「OmniVoice-Studio」という名前で、途中で「VoiceStudio」に改名しました。古い記事や動画で旧名を見かけても、同じプロジェクトのことです。また、デスクトップアプリの土台は、2026年のv0.5.3を最後にTauriからElectronへ移行しています。これから入れる人は、最新版のElectronアプリを入れれば大丈夫です。

インストール——2つの入口

動作環境（執筆時点の公式ドキュメントより）:

内容
OSmacOS 13.3以降（Apple Silicon）／ Windows 10・11 ／ Linux
メモリ8GB以上（16GB以上を推奨）
ディスク10GB以上の空き
GPUなくても動く（あると速い。Apple SiliconではMPS/MLXを使います）

はじめに大事な注意がひとつ。Intel Macでは、ローカルの音声処理が動きません。 理由は技術的なもので、PyTorchがIntel Mac向けのビルドを配らなくなったためです。アプリの画面自体は開くのですが、処理エンジンが動かない。Intel Macの人は、別のマシンで動かして画面だけつなぐ「リモートバックエンド」という構成なら使えるそうです（執筆時点）。

インストール方法は2つあります。

方法1: ワンコマンド（macOS / Linux）

公式サイトが配っているインストールスクリプトを使う方法です。

curl -fsSL https://voicestudio.sh/install | sh

あ、でもここでチカちゃんのいつもの注意をひとつ。シェルスクリプトをそのまま実行するのは、中身を確かめてからが基本です。配布元（voicestudio.sh は公式サイト）を確認して、気になる人はスクリプトを先にダウンロードして読んでから実行してくださいね。

方法2: Releasesから手動で

リリースページ から、環境に合ったファイルをダウンロードしてインストールする方法。macOSならDMGファイルです。

初回起動では、macOSのGatekeeperに止められることがあります（「開発元を確認できません」という、あれです）。この場合は、アプリを右クリック →「開く」で一度だけ承認すれば、以後は普通にダブルクリックで起動できます。これは、このプロジェクトがAppleの公証（notarization）を受けていない状態で配布されているためで、公式リポジトリから落としたファイルなら、確認して開いて大丈夫です。念のため気になる人は、リリースページにあるチェックサムとダウンロードしたファイルを照合する、という手もあります。

初回起動時には、Pythonの実行環境と音声モデルのセットアップが走ります。ここで数GB級のダウンロードが発生して、少し時間がかかります。画面に進み具合が出るので、コーヒーでも淹れながら待つのがおすすめです。

最初の声を作る

セットアップが終わったら、「Voice Cloning」のワークスペースを開いてみましょう。

手順は、こんな流れです。

  1. 参照音声を用意する —— 声をクローンしたい人の、クリーンな音声クリップ
  2. テキストを入力する —— その声に読ませたい文章
  3. 言語を選んで、生成する —— 必要ならモデルのインストールを求められるので、画面の案内に従う

参照音声のコツが、公式のFAQに丁寧に書いてあるんです。これがなかなか本質的で。

  • 長さは3秒から。ただし5〜15秒くらいが心地よい（8秒前後がスイートスポット）
  • 静かな部屋で、マイクに近づいて録る。エコーや音楽が入ると、クローンの声もエコーっぽくなる
  • 話者はひとりだけ。そして、出力に欲しいトーンとペースで喋る

「え、長い音声をたくさん与えたほうが、似るんじゃないの？」——チカちゃんもそう思ったんですけど、ここに大事な誤解ポイントがありました。VoiceStudioのクローンはゼロショット方式で、参照音声は「学習データ」ではなく「プロンプト（指示）」なんです。2時間の音声を渡しても、モデルはそれを覚えません。むしろ大事なのは、クリップの質と、話し方。これは、クラウド大手の「何時間もの音声でじっくり訓練する」プロ向けクローンとは、まったく別の仕組みなんですよね。

逆に言うと、ひとつのクリップが、そのまま声の「種」になる。録音の質に気を配る人ほど、この道具は応えてくれます。

ここが面白い——エージェントから声を呼べる

チカちゃんがこのプロジェクトで「おっ」と思ったのは、ほかのソフトやAIエージェントから音声機能を呼べる部分です。

ひとつは、OpenAI互換のローカルAPI。VoiceStudioを起動すると、自分のマシンの中に http://localhost:3900/v1 というAPIの入口が立ちます。つまり、OpenAIの音声APIを使うように書かれた既存のコードの接続先を、ここに貼り替えるだけでいい。

from openai import OpenAI
client = OpenAI(base_url="http://localhost:3900/v1", api_key="none")

with client.audio.speech.with_streaming_response.create(
        model="tts-1", voice="<クローンした声のID>",
        input="これはローカルで生成した音声です。") as r:
    r.stream_to_file("speech.wav")

クラウドには何も出ていかない。でも、書き方は今までと同じ。この「乗り換えの摩擦の小ささ」は、道具としてよくできているなあと思います。

もうひとつが、MCPサーバー。VoiceStudioはMCP（Model Context Protocol）にも対応していて、Claude CodeやCodex、Piといったエージェントから「この原稿を喋って」「この音声を文字起こしして」と頼めるようになります。エージェントに「声」と「耳」を渡す、というわけです。

さらに、エージェントスキルの形でも配られていて、対応するエージェントならこれだけで繋がります。

npx skills add debpalash/VoiceStudio

エンジンを束ねるアプリであり、APIであり、エージェントの部品でもある——「音声を作るアプリ」でありながら、「音声機能を配るサーバー」でもある。この二面性が、このプロジェクトの面白さなんだと思います。

気をつけること

いいことばかり書いてきたので、ここからはチカちゃんの「でも、ちょっと待って」の時間です。

  • 開発はまだベータ段階。READMEにも「Active beta」と明記されていて、リリースごとに大きく変わります。安定重視なら、最新のリリース版を使うのが安心です
  • Intel Macでは動かない（前述）。Apple Silicon、Windows、Linuxのどれかが必要です
  • ライセンスは二層構造。アプリ本体はAGPL-3.0というオープンソースライセンスで、自由に使えます（改変してネット越しに提供する場合は、ソース公開の義務が生じます）。いっぽうで、モデルの重みはエンジンごとに別のライセンスです。商用利用の予定があるなら、使うエンジンのライセンスを個別に確認してください。商用向けのライセンスも別途販売されています
  • 品質の期待値は、正直に。公式FAQは「ElevenLabsと比べてどうか」の問いに、「何をするかによる」と答えています。英語の読み上げの完成度では、クラウド大手がまだ強い。ローカルの強みは、言語カタログの広さ（646言語）と、使用量メーターがないことと、データが手元に残ること——強みの種類が違うんです
  • 声のクローンには、許可を。公式も「自分の声、または明確に許可を得た声だけ」と書いています。なりすましや詐欺に使わないこと。これは道具の話であると同時に、使い手の倫理の話です
  • 初回セットアップは重い（数GB級のダウンロード）。ディスクと時間に余裕を持って
  • 生成した音声には、AudioSeal という電子透かしを入れられます。「AIが作った音声だよ」とあとから検出できる仕組みで、悪用防止と、作品の出所の話に関わってきます

どんな人に向いている？

  • 音声データを外に出したくない人 —— ナレーション、教材、社内コンテンツ。音声をクラウドに送れない事情がある仕事ほど、この道具の意味が大きくなります
  • 動画の多言語展開をしたい人 —— 文字起こしから吹き替えまでが一つの工房で完結します
  • エージェントに音声機能を足したい人 —— ローカルAPIとMCPで、自分のエージェントに「声」を渡せます
  • 文字起こしを日常的に使う人 —— 口述と文字起こしがローカルで回ります

逆に、「インストールも設定も一切したくない」「とにかく最高品質の英語音声がほしい」という人には、クラウドサービスが向いていると思います。この道具は、手間を引き受ける代わりに、データと処理を手元に置くタイプ。だからこそ、刺さる人には刺さります。

まとめ——「所有」と「レンタル」のあいだ

VoiceStudioを、チカちゃんは「自分のマシンの中に建つ、音声の工房」と読むことにしました。

いま、AIの便利さの多くは「月額で借りる」形で提供されています。それはそれで、手軽で、強力です。でも今回のプロジェクトは、その逆側——データも、処理も、道具も、ぜんぶ手元に置く——を、ひとつの完成度で提示してみせた。5万スターは、その方向に手を挙げた人の数なんだと思います。

ここで、反対の見方も置いておきます。ローカル完結は、手間とハードルの名前を変えるだけだ、という見方もできます。セットアップはクラウドより重いし、品質の頂点はクラウドにあるかもしれない。結局、「便利さ」と「手元に置くこと」のトレードオフは消えない。だからこれは、「ローカルが上」という話ではなくて、レンタルと所有のあいだに、ちゃんと選べる道ができた、という話なんだと思うんです。

声は、指紋に近いデータ。あなたの声で作った音声は、誰のものか。どこに置いて、誰が使えるのか。便利さの裏側で一度立ち止まって考えてみると、この道具の見え方が、少し変わってくるかもしれません。

チカちゃんは近いうちに、自分の声を録って、この工房で何か作ってみようと思っています。あなたは、どんな声を、どこに置いておきたいですか。答えは急がなくて大丈夫。問いが残るということは、まだ冒険が続いているということなので。

参考URL

本記事は公開情報をもとにした個人的な技術メモです。VoiceStudioは開発が活発なベータ段階のプロジェクトで、仕様・対応環境・エンジン構成・ライセンス・インストール方法は変わります。導入前に公式リポジトリとドキュメント、ライセンス（アプリ本体と各モデルは別ライセンスです）を必ず確認してください。クローン可能なのは、自分の声、または明確に許可を得た声だけです。なりすましや詐欺的な利用は行わないでください。スター数・エンジン数・対応OSなどの数字は執筆時点（2026年10月2日）の表示です。

思索は冒険です。今日の話も、その入口のひとつでした。

  • インターネット上のツールは第三者が提供するものです。開発工程や配布経路を悪用した攻撃（サプライチェーン攻撃）が仕掛けられる可能性もゼロではありません。ご利用の際は公式リポジトリの情報をご確認いただき、自己責任でお使いください。
  • AIに関する技術や情報は急速に変化します。本記事の内容が公開後に古くなる可能性があります。各サービスの公式ドキュメントや最新情報をご確認ください。

近くの問い