感情のまとまりごとに改行する
文章の長さだけでなく、同じ感情や意図が続く範囲で行を分けます。
FIRST, CHOOSE YOUR ROUTE
目的に合う項目から始める
ANSWER FIRST
購入したモデルは、
3つのファイルを同じフォルダに入れると使えます。
Style-Bert-VITS2を公式ZIPから導入し、config.json、モデル本体、style_vectors.npyをmodel_assets\モデル名\へまとめます。Inference.batを起動し、モデル一覧を更新して読み込めば、音声を生成できます。
- 導入
- Windows向け公式ZIP
- 配置
- 必要なファイルは3つ
- 既製モデル
- 学習せずに利用可能
QUICK START / WINDOWS
音声生成までの5ステップ
ここではモデルの学習は行いません。購入・配布されたモデルを導入し、音声を生成するまでを説明します。
-
01
INSTALL
公式ZIPを展開する
公式のsbv2.zipを、日本語や空白を含まない短いパスへ展開します。GPUがある場合は
Install-Style-Bert-VITS2.bat、音声合成をCPUで行う場合はInstall-Style-Bert-VITS2-CPU.batを実行します。例
C:\AI\Style-Bert-VITS2 -
02
MODEL ASSETS
必要な3ファイルをモデルフォルダに入れる
設定ファイル、学習済みモデル、スタイルベクトルを同じモデルフォルダにまとめ、
model_assets直下に置きます。フォルダ名はモデル一覧に表示される名前になります。model_assets└─ ShizukaLab_Model├─ config.json設定├─ model.safetensors音声モデル└─ style_vectors.npyスタイル -
03
OPEN
Inference.batを起動するInference.batは音声合成専用の画面を開きます。最初の動作確認には、多機能なApp.batよりこちらが適しています。 -
04
LOAD
モデル一覧を更新してロードする
「モデル一覧」の横にある「更新」を押し、モデル名とモデルファイルを選んで「ロード」を押します。表示されない場合は、前のステップの3ファイルを確認します。
-
05
SPEAK
初期値のまま短い文章を生成する
最初は音高・抑揚・Lengthを
1.0、スタイルの強さも1.0にします。「改行で分けて生成」はオンにします。短い文章で声を確認してから、一項目ずつ変更します。STYLENeutral WEIGHT1.0 PITCH1.0 INTONATION1.0 LENGTH1.0 LINE SPLITON
CAPABILITY MAP
Style-Bert-VITS2の主な機能
目的に合う機能から確認してください。
01
スタイルを選ぶ
Neutral、Whisper、Brightなど、モデルに収録された話し方を切り替えられます。
02話し方を調整する
スタイルの強さ、速度、抑揚を一項目ずつ変更し、台詞に合う話し方に整えます。
03文章で感情表現を調整する
句読点や改行を使い、息継ぎや感情の区切りを整えます。
04発音を調整する
アクセント調整とユーザー辞書で、固有名詞や作品内の用語を正しく読ませます。
05台本から音声を一括生成する
Editorでセリフごとにキャラクターと設定を変え、原稿を保存して一括生成できます。
06音声生成を自動化する
APIから台詞を送り、ゲーム、動画、対話アプリの音声生成に利用できます。
07別の環境で使う
ONNXへ変換し、AIVMXを経由してAivisSpeechなどの対応環境で利用できます。
08モデルマージを試す
モデルマージやヌルモデルを使い、声質や話し方の変化を確認できます。
TUNING ORDER
自然な音声に近づける調整順
複数の数値を同時に変更すると、どの設定が影響したのか分からなくなります。スタイル、文章、速度の順に調整し、音高と抑揚は最後に比較します。
01 / 話し方を選ぶ
台詞に合うスタイルを選ぶ
Neutralは全スタイルの平均として扱われます。まずNeutralで基準となる音声を生成し、その後にWhisperやBrightなど、そのモデル固有のスタイルを試します。
STYLE WEIGHT 1.0
02 / 文章を整える
次に文章と改行を調整する
一息で読む内容を一行にまとめます。現行UIでも、改行単位で生成すると感情が乗りやすいと案内されています。
LINE SPLIT ON
03 / 間を整える
話速と行間の無音を別々に調整する
Lengthは1.0を基準に少しずつ変更します。改行間の無音は初期値の0.5秒を基準に、会話かナレーションかで調整します。
SPLIT INTERVAL 0.5 SEC
04 / 最後に比較する
最後に音高と抑揚を調整する
公式UIでは、音高と抑揚を1.0から変更すると音質が劣化する可能性があると案内されています。大幅に変更せず、同じ文章で比較します。
PITCH / INTONATION 1.0
TEXT BECOMES BREATH
文章の区切りで話し方が変わる
モデルを変更する前に、文章を読み上げやすい長さと区切りに整えます。
BEFORE
今日は来てくれてありがとうちょっと緊張しているけれど会えてうれしいです
AFTER
今日は、来てくれてありがとう。
ちょっと緊張しているけれど、
会えて、うれしいです。
句読点で間を調整する
読点を増やしすぎず、意味の区切りに合わせて入れます。
固有名詞はユーザー辞書に登録する
作品名やキャラクター名は、その都度修正するのではなく、ユーザー辞書に登録します。
最後にアクセントを調整する
文章とスタイルを決めてから、必要な語だけアクセントの高低を調整します。
EXPAND THE WORKFLOW
音声生成の活用方法
Editor、API、ONNX、モデルマージを、目的に合わせて使い分けます。
ROUTE A / API
APIで音声を一括生成する
python server_fastapi.pyでAPIサーバーを起動し、/docsで仕様を確認できます。音声生成は/voiceへPOSTします。ローカル環境の外へ公開する場合は、config.ymlの許可オリジンを接続先に限定してください。
利用者の実例 Gradio Clientから台詞生成を自動化し、WebUIを一件ずつ操作する手間を減らす例が公開されています。
拡張の実例 音素と長さを口パク用タイムラインへ渡すUnity向けの実装例もあります。これは標準機能ではなく、ソースコードを拡張した例です。
ROUTE B / ONNX
ONNXへ変換して対応環境で使う
ConvertONNX.batから学習済みモデルをONNXへ変換できます。AIVM Generatorで必要なメタデータをまとめてAIVMXにすると、対応するAivisSpeech環境へ導入できます。
注意 変換や再配布が許可されているか、使用する音声モデルの規約を先に確認してください。
AivisSpeechの対応形式を確認
ROUTE C / EXPERIMENT
モデルマージとヌルモデルを試す
モデルマージでは、声質・高さ・話し方・テンポを個別に設定して組み合わせられます。v2.7.0では、音声合成時にヌルモデルを指定する機能も追加されました。結果は使用する素材と重みによって大きく変わります。元モデルを残し、利用規約で許可された範囲で試してください。
v2.7.0の変更点を確認WHAT CHANGED / WHAT DID NOT
基本操作とv2.7.0の変更点
- Windows向けZIPとインストール用bat
model_assetsへのモデル配置- モデルを更新・選択・ロードして生成
- スタイル、改行、Lengthなどの基本調整
- ONNX変換GUIとColabセル
litagin/anime-whisperの追加- 音声合成時のヌルモデル指定
SAFE UPDATE PATH
v2.4.1以降
Update-Style-Bert-VITS2.batで更新します。
v2.4.1より前
最新版を新しく導入し、必要なmodel_assetsとDataを手動で移します。
DIAGNOSTICS
症状別の確認項目
環境を作り直す前に、症状に合う項目を順番に確認してください。
モデルが一覧に出ない
config.json、モデルファイル、style_vectors.npyが同じモデルフォルダにあるか確認し、「更新」を押します。モデルファイルは.safetensorsのほか、現行実装では.pth、.pt、.onnxも探索対象です。
フォルダを移動したら起動しない
ModuleNotFoundError: No module named '_socket'が出る場合、インストール後にフォルダ名や場所を変えていないか確認します。公式FAQは元の名前と場所へ戻すよう案内しています。
書き起こしで失敗する
FFmpegがない可能性があります。公式FAQではWindowsでwinget install ffmpegを案内しています。これは推論だけでなく、データセット作成へ進む場合の確認項目です。
APIで長文を送れない
server_fastapi.pyの初期上限は100文字です。config.ymlのserver.limitを用途に合わせて変更できます。無制限は-1です。長文は改行単位に分けて送る方法もあります。
声が崩れる・不自然になる
音高・抑揚・Lengthを1.0へ戻し、スタイルの強さも1.0付近から確認します。自然に聞こえる範囲はモデルとスタイルごとに異なるため、一項目ずつ比較します。
GPUがなくても使えますか
公式のCPU向けインストールでは、音声合成とモデルマージを利用できます。学習にはNVIDIA製GPUが必要です。既製モデルから音声を生成するだけなら、CPU環境でも始められます。
RTX 50系でGPUが使えない
Blackwell世代では、公式手順のPyTorch/CUDA構成が合わない実例があります。これは全環境共通の手順ではありません。GPU名、PyTorch、CUDAを記録し、同じ構成の検証例を参照します。
RTX 5070 Tiの検証例SHIZUKALAB VOICE MODELS
用途に合う声を選ぶ
声の明るさや距離感、役柄を比べながら、用途に合うモデルを試聴できます。
SOURCE LEDGER
このページで参照した情報
最終確認日 2026.07.15
- OFFICIALStyle-Bert-VITS2 README導入、動作環境、機能、ONNX、API
- OFFICIALv2.7.0 Release最新版と追加機能
- OFFICIAL現在のInference UI項目名、範囲、初期値
- OFFICIALTTSModel implementationモデルフォルダ構成と対応形式
- OFFICIAL公式FAQ既知の症状と対処
- OFFICIALFastAPI server implementation起動方法、エンドポイント、接続設定
- OFFICIALAivisSpeechAIVMXと対応モデル
- COMMUNITYStyle-Bert-VITS2の使い方メモ基本操作、改行、アクセント調整
- COMMUNITYRTX 5070 Tiで動かす検証Blackwell世代の環境差
- COMMUNITYGradio ClientによるAPI自動化大量生成の個人開発例
- COMMUNITYUnityで口パク情報を出力する実装例音素と長さを使った拡張例