ElevenLabsのオープンソース代替品（Voicebox）を試してみた
BBetter Stack
Computing/SoftwareConsumer ElectronicsInternet Technology
Transcript
00:00:00これは音声AI界のOllamaと言われています。声のクローン、音声生成、あらゆるアプリへのディクテーションができ、
00:00:07自分の所有する声でエージェントと会話も可能です。これがVoiceBoxです。そう語られています。
00:00:13無料でElevenLabsのローカル代替ツールですが、正直、とんでもない性能です。
00:00:19GitHubで約3万のスターを獲得しています。ローカルで動作します。この先の60秒で、
00:00:24ローカル環境での声のクローン、音声生成、エディタ内でのディクテーションをお見せします。
00:00:29これがどれほど有用で、導入がどれほど簡単か。これから検証していきます。
00:00:39さて、VoiceBoxはオープンソースのローカルAI音声スタジオです。簡単に言うと、
00:00:46ローカルLLMにおけるOllamaのような存在です。VoiceBoxは音声版のそれを目指しています。単なるテキスト読み上げではありません。
00:00:54声のクローン、システム全体のディクテーション、クリエイティブな編集、ストーリーやタイムラインの機能があり、
00:01:00AIエージェントとも接続できます。これにより、真のコントロールとプライバシーが手に入ります。
00:01:06テストするたびに「クレジットをどれだけ消費したか」を気にする必要はありません。VoiceBoxは
00:01:12自分のマシンで動作するため、そうした制限とは無縁です。サブスクリプションも、
00:01:17文字数制限もありません。さらに、クローニング、Whisperによるディクテーション、マルチトラックエディタ、
00:01:23Atariデスクトップアプリ、MCPサポート、ローカルREST APIが統合されています。バラバラなツールを使う代わりに、
00:01:29すべてが1つのデスクトップアプリにまとまっています。この動画では3つのことを行います。
00:01:36声のクローン、音声読み上げ、そしてエディタ内でのディクテーションです。その後に、
00:01:41なぜエージェント統合が非常に素晴らしいのか、その点についても触れていきます。ワークフローを高速化する
00:01:46コーディングツールが好きなら、ぜひチャンネル登録を。新しい動画を次々と公開しています。
00:01:50さて、Mac M4で実行してみます。
00:01:55これがVoiceBoxです。すでにボイスプロファイルは用意してありますが、手順は非常にシンプルでした。Dockerで
00:02:02立ち上げることもできますが、実際にやってみたところ、コンテナの起動に30分近くかかりました。
00:02:08そのため、今回はデスクトップアプリ版を選択しました。その方が断然速く、非常に
00:02:13優秀です。ここで音源に名前を付けたり、説明を追加したり、モデルへの指示を出したりできます。
00:02:19あとは自分で録音するか、短いファイルをアップロードして解析させ、その音声を文字起こしとして含めるだけです。
00:02:26では、実際に使いたいセリフを入力します。開発者として、これはクラウドのコストや
00:02:32プライバシーの問題を気にせず、音声AIを完全にコントロールできる手段となります。
00:02:38ボイスプロファイルを選び、モデルを選択して「生成」を押すだけです。
00:02:44初回実行時はモデルのダウンロードが必要なので、多少時間はかかるかもしれませんが、
00:02:50実行が終われば波形が表示されます。聴いてみましょう。
00:02:57開発者として、これはクラウドのコストやプライバシーの問題を気にせず、
00:03:02音声AIを完全にコントロールできる手段となります。この音声は自分のマシンで生成され、私自身の声をクローンしたものです。ブラウザのタブは使っていません。
00:03:09APIキーも不要でした。しかし、ここからが真のワークフローです。システム全体での
00:03:16ディクテーション機能です。グローバルホットキーを押せば、その時考えていることを何でも入力できます。
00:03:22このようなコーディングツールやテクニックが好きなら、ぜひチャンネルをチェックしてください。エディタに直接入力されます。
00:03:29メモやコメントなど、何にでも使えるので非常に便利です。
00:03:33話すことがタイピングより速いという場面は多々あり、これは大きなメリットです。
00:03:38自分からコンピュータに話しかけるだけでなく、エージェントが話し返してくれるようになります。
00:03:43Claude Code、Cursor、あるいは独自ローカルエージェントが、端末にテキストを出すだけでなく、
00:03:49VoiceBoxを介して話すことができます。AIからフィードバックをもらう環境はすでにあります。
00:03:55なぜ、それを声にしてくれないのか？では、他のツールと比較してみましょう。
00:03:59ElevenLabsは素晴らしいです。以前比較動画も出しました。品質が非常に高いことは誰もが知っています。
00:04:05しかし、クラウドベースであり、
00:04:11サブスクリプション制です。お金を払い、データをクラウドに上げなければなりません。
00:04:16VoiceBoxはその真逆です。ローカルで動作し、無料で、無制限です。
00:04:22入力するデータもすべて制御できます。ElevenLabsの方が優れている場合もあるかもしれませんが、
00:04:27導入の容易さと、実際に出力される音声も十分に良いため、私はVoiceBoxを使い続けると思います。
00:04:33開発者にとって最高のツールとは、必ずしも出力が最も美しいものではありません。
00:04:38実際、見た目ばかりを求めているわけではありません。自分でコントロールできることが重要なのです。
00:04:43オープンソースの側面もあります。PiperやWhisperなど、多くの個別のスクリプトを使って
00:04:50実現することも可能ですが、ポイントはそれらがすべてバラバラであるという点です。文字起こし用、
00:04:56クローン用、TTS用、UI用……それらを無理やりつなぎ合わせる必要があります。
00:05:03VoiceBoxは、そのすべてのワークフローを1つのスタジオアプリにパッケージ化しています。
00:05:09入力、出力、編集、プロファイル、ドキュメント、エージェント連携、さらにMCPサーバーも使えます。
00:05:14つまり、ClaudeやCursorがVoiceBoxをツールとして呼び出せるということです。テキストだけでなく、
00:05:20音声で回答してくれます。自分の声で話しかけられるのは……少し変かもしれませんね。
00:05:25声を変えることもできるかもしれません。想像してみてください。AIが「ビルドに失敗しました。認証モジュールでエラーが発生しました」と
00:05:30語りかけてくる様子を。日々どれだけ多くのフィードバックを受けているかを考えれば、
00:05:36それを音声にすることで直感的に理解できるようになります。
00:05:42なぜ私がこれを高く評価するのか。やはりプライバシーとコストです。これは非常に大きな強みです。
00:05:48音声データや社内コンテンツなど、機密性の高いものを扱う際は、ローカルファーストが理想です。
00:05:53素晴らしいですね。
00:05:57エージェントとの統合についてはまだ十分に検証していませんが、開発者たちはすでに
00:06:02Claude CodeやCursorへの統合について議論しています。VoiceBoxは、そうしたシステムに
00:06:08クラウドサービスなしで音声レイヤーを追加できるのです。ワークフローも非常に綺麗です。
00:06:14UIも扱いやすく、何よりApple Siliconであれば、
00:06:18ローカルでのパフォーマンスが抜群に良いのが嬉しいですね。
00:06:23ただし、今年出たばかりのプロジェクトであることを忘れないでください。まだ初期段階なので、
00:06:28特にWindowsユーザーは、GPU検出やモデル設定、エクスポートなどで不具合に直面するかもしれません。
00:06:33その場合は、アプリを再起動すれば解決します。Macでも同様の現象がありましたが、再起動で直りました。
00:06:39長文の安定性に関しては、ElevenLabsにはまだ及びません。
00:06:46感情表現の制御も向上していますが、使用するモデルに依存します。
00:06:50「Shatterbox TTS Turbo」を選択すれば、感情パラメータが組み込まれています。
00:06:55結論として、VoiceBoxをインストールすべきか？その操作は非常に簡単でした。
00:07:00バラバラのツールをつなぎ合わせる摩擦から解放されるため、絶対に試す価値はあります。
00:07:04真の価値は音声の品質そのものだけでなく、コントロール性にあります。
00:07:09データ、コスト、統合性など、あらゆる面を自分で支配できるのです。それが重要なのです。
00:07:15導入は非常に簡単です。誰でもできます。公式サイトかGitHubのリリースから、
00:07:20自身のOS向けのインストーラーをダウンロードして起動し、必要なローカルモデルを取得するだけです。
00:07:25コンセプト自体が非常に強力ですし、今すぐにでも実用できるレベルです。
00:07:30このようなコーディングツールが好きなら、ぜひBetterStackチャンネルの登録を。
00:07:35また別の動画でお会いしましょう。