エンクド開発

🎙️ start.bat（標準 WebUI） 公式標準

Irodori-TTS の基本となるゼロショット音声合成・声質クローニング用インターフェースです。

• 参照音声クローニング (Voice Cloning): 3〜10秒程度の音声ファイル（.wav）をアップロードするだけで、その話者の声質やトーンを模倣した自然な音声を生成。
• Speaker Inversion 埋め込みの適用: 学習済みの Speaker Inversion ファイル（.safetensors）をロードして特定キャラクターの声で発話。
• 推論サンプリングパラメータ制御: サンプリングステップ数（Steps）、CFG Scale（Text / Speaker）、話速（Duration Scale）、シード値（Seed）などを細かく設定可能。
• デバイス最適化: CUDA（GPU）/ CPU の切り替えおよび精度（fp32 / bf16）の選択に対応。

🎨 start-voicedesign.bat（VoiceDesign WebUI） 公式標準

自然言語のテキスト説明（プロンプト）によって声質を自由に設計・デザインできるインターフェースです。

• テキストによる声質指示 (Voice Caption): 「20代女性、明るく落ち着いたトーン」「低音の落ち着いた男性の声」といった文章を入力することで、参照音声がなくてもイメージ通りの声質をゼロから生成。
• 感情・発話表現絵文字パレット: セリフ内に専用の絵文字タグ（👂囁き、😮‍💨吐息、⏸️間、🤭笑い、🥵喘ぎ、📢エコー、😏からかう、🥺震え声 など）を挿入することで、高度な感情表現やニュアンスを付加。
• プロンプトと参照音声のハイブリッド合成: 参照音声をベースにしつつ、Voice Captionで微調整を加えることも可能。

🧠 start-speaker-inversion.bat（Speaker Inversion 学習用GUI） オリジナル拡張

手持ちの音声データから特定の話者特徴量を逆推定（学習）し、軽量な話者埋め込みファイル（.safetensors）をGUI上で手軽に作成できる独自開発ツールです。

• キャラクター別・話者ID管理: キャラクター名（話者ID）ごとにデータフォルダ（data/speaker_inversion/{話者ID}/）および出力フォルダ（outputs/speaker_inversion/{話者ID}/）を自動分離して管理。
• リアルタイムコンソールログ監視: バックグラウンドで進行する学習ログを画面上で自動リフレッシュ表示。

📜 start-custom-voicedesign.bat（VoiceDesign 一括セリフ音声生成GUI） オリジナル拡張

• ReferenceAudio量産に最適なワークフロー: 複数の短いフレーズ（例: 「こんにちは」「よろしくね」「えっ、本当ですか？」など）を入力し、同一声質または感情差分の参照用wavを一括作成。出力された .wav はそのまま start.bat の参照音声や、start-speaker-inversion.bat の学習データセットとして活用可能。
• 柔軟なテキスト入力とパース: 台本・セリフテキストの直接ペースト、またはテキストファイル（.txt、UTF-8 / Shift-JIS自動判定）のアップロードに対応。「テキストを行に読み込み/パース」ボタンで、改行ごとに最大100行の個別編集カードとして展開。
• 行ごとの個別微調整機能: 各行のセリフ直接編集（感情絵文字対応）に加え、特定行だけ声色（例: 怒った声、小声で囁くように）を上書きできる「個別Voice Caption設定」、1行単位での「個別試聴・再生成」機能を搭載。
• ファイル命名・出力管理: ベースファイル名（例: 花子）を指定すると固定2桁連番（花子_01.wav, 花子_02.wav...）で出力。保存先は out_wav/{ベースファイル名}/ 配下に自動整理され、WebUIから「📂 出力フォルダを開く」や「📦 まとめてZIP化」ダウンロードが可能。
• パフォーマンスと操作性: Model / Codec（DACVAE）両方にCUDA（GPU）アクセラレーションを完全適用。プリセットモデル切り替え（v4.1-Small / 500M-v3 / 500M-v2）、VRAM解放（torch.cuda.empty_cache()）を行うモデルの事前ロード/アンロード機能、ワンクリック感情絵文字パレットを完備。