Irodori TTS Core ML v0.2.0

Irodori TTS Core ML v0.2.0

軽量INT8モデルを追加しました。約2.99 GBの現行版に加え、約1.96 GB（約34%削減）の軽量版を、同じSwift SDKで利用できます。iPhone / Apple Silicon Macで、端末内の音声合成・Voice Cloning・日本語のVoice Designに対応します。

主な変更

• SDK・CLI・iPhone / Macサンプルから、現行版と軽量INT8版を選択できます。サンプルでは取得済みモデルの切り替えにも対応します。
• 軽量版はテキストエンコーダーの重みをINT8で保存し、計算・入出力はFP32を維持します。固定幅デコーダーの重みを共有し、可変幅デコーダーは独立パッケージを保持します。
• Voice Cloning、話し方の指示、再生音声・保存WAVへのAudioSeal透かしは両版で利用できます。既存の現行版モデルと合成APIも引き続き使えます。
• 量子化・数値検証・音声比較ツールと、測定結果、日本語・英語のドキュメントを追加しました。
• Macで、新しい保存先へのモデル取得時に正しいパスが誤って拒否される問題を修正しました。

配布物

• irodori-tts-coreml-source-0.2.0.zip：Swift SDK、iPhone / Macサンプル、Mac CLI、変換・評価の参考コード、ドキュメント、ライセンス。
• irodori-tts-coreml-source-0.2.0.zip.sha256：ソースZIPの照合用チェックサム。
• Core MLモデル一式：モデルは別配布です。SDKやソースZIPには内蔵していません。

モデル	配置	容量	必要なOS
現行版	Hugging Faceのルート	約2.99 GB	iOS 17 / macOS 14以降
軽量INT8版	Hugging Faceの int8/	約1.96 GB	iOS 18 / macOS 15以降

SDK・CLI・サンプルは選択した一式だけをダウンロードします。モデル取得後の音声生成に通信は不要です。モデル取得と配置を参照してください。

始め方

SDKを組み込む場合：Xcodeの File → Add Package Dependencies… で https://github.com/Corvelis/irodori-tts-coreml.git を追加し、Exact Version 0.2.0 と IrodoriTTS productを選びます。SDK導入ガイドに実装例があります。

サンプルを使う場合：ソースZIPを展開し、Examples/IrodoriSamples.xcodeproj を開きます。Macは IrodoriMac、iPhoneは IrodoriiOS schemeを選び、自分のSigning TeamとBundle Identifierを設定してください。「取得するモデル」で版を選んでダウンロードし、まずは参照音声なしで生成できます。自分の声など、使用許可のある音声を録音・取り込みしてVoice Cloningも試せます。サンプル操作を参照してください。

Mac CLIで軽量版を取得する場合：ソースのルートで swift build -c release を実行した後、未作成の保存先を指定します。

.build/release/irodori download --variant light-int8 --destination ../Irodori-CoreML-INT8
.build/release/irodori verify --models ../Irodori-CoreML-INT8

CLIガイドに音声生成・反復測定の例があります。

音質と速度の比較

日本語24条件 × 3 seedの72対比較では、DNSMOS OVRLの平均差は −0.0054点、ASR文字誤り率が増えた組は 0/72 でした。DNSMOSは推定品質指標、ASRは認識内容の指標で、人による音質評価や声の本人一致度そのものではありません。条件ごとの差は残ります。

iPhone 17 Pro / Release / AudioSeal有効の通常文反復測定では、RTF中央値は 現行版0.1253 / INT8版0.1286、最初のPCMは 460 / 480 ms でした。モデル準備・ASR・LLM・実スピーカーの遅延は含みません。

測定条件・結果・限界（日本語） / English measurements / 測定JSON

要件と利用条件

開発にはApple Silicon MacとXcodeを使用します。音声合成の実行にPythonやONNX Runtimeは不要です。初回はCore MLのコンパイル・ロードに時間がかかり、モデル原本に加えてアプリ内コピーとコンパイルキャッシュの保存容量が必要です。

GUIサンプルは全文を合成してから再生します。本文256トークン（BOSを含む）・潜在系列768フレームの上限を超えた場合は、文章を短くしてください。速度・メモリ使用量・声質は入力や環境により変わります。性能と制約を参照してください。

SDK・サンプルの新規部分はApache-2.0です。モデルと上流由来部分のMIT / Apache-2.0条件、同梱のライセンス・通知を保持してください。部品別ライセンスと上流モデルの使用条件に従い、使用許可のある声を使ってください。

English

Version 0.2.0 adds an optional ~1.96 GB light INT8 bundle, about 34% smaller than the ~2.99 GB standard bundle. The SDK, CLI and iPhone / Mac samples can select either model. On-device synthesis, Voice Cloning, Japanese Voice Design and AudioSeal remain available with both variants.

INT8 applies to text-encoder weight storage; computation and outputs remain FP32. The light bundle requires iOS 18 / macOS 15 or later. The standard bundle remains compatible with iOS 17 / macOS 14. Download code and samples from the source ZIP, or add the Swift package at version 0.2.0 in Xcode. Models are distributed separately on Hugging Face.

English getting started · Model downloads · Quality and performance

Irodori TTS Core ML v0.1.0

Irodori TTS Core ML v0.1.0

Irodori TTS v4.1 Small MFをiPhone / Apple Silicon Macで使うSwift SDKです。日本語の音声合成、参照音声による声の指定、テキストによるVoice Designに対応します。

配布物

• irodori-tts-coreml-source-0.1.0.zip: Swift SDK、iPhone / Macサンプル、Mac CLI、変換の参考コード、ドキュメントとライセンス。
• irodori-tts-coreml-source-0.1.0.zip.sha256: ソースZIPの照合用チェックサム。
• Core MLモデル一式: 約2.99 GB。15個のCore MLパッケージ、tokenizer、config、manifestと部品別ライセンス。SDKには内蔵していません。

始め方

SDKをアプリへ追加する場合は、Xcodeの File → Add Package Dependencies… に https://github.com/Corvelis/irodori-tts-coreml.git を入力し、Exact Version 0.1.0 と IrodoriTTS productを選びます。SDK導入ガイドを参照してください。

サンプルはソースZIPを展開して Examples/IrodoriSamples.xcodeproj を開きます。Macは IrodoriMac、iPhoneは IrodoriiOS schemeを選び、自分のSigning TeamとBundle Identifierを設定して実行します。

モデルはサンプルの「URLからダウンロード」またはMac CLIで取得できます。次のURLは、この版に対応するモデルcommitへ固定されています。

https://huggingface.co/AILogDev/Irodori-TTS-v4.1-Small-MF-CoreML/resolve/b02a670f0cb41c382844672fa8f0f03b3b9b8082/manifest.json

manifestのSHA-256: f98e77d857c20e977358ec9c9d513721b37e1af0d7e12359c05de26c90ae7186

モデル取得と配置、サンプル操作、Mac CLIに詳しい手順があります。

主な機能

• 48 kHz、モノラル、PCM16 WAVの生成。
• 再生PCM・WAVへのAudioSeal透かし付与と、識別値の読み戻し。日本語 / English。
• 参照音声なしの生成、録音・音声ファイルの取り込み、参照特徴の再利用と削除。
• 日本語のVoice Design指示。
• サンプルでの全文生成・再生・一時停止・再開・停止・WAV保存・RTF表示。
• SDKでの任意の文分割、PCMチャンク通知とキャンセル。
• CLIでのモデル検証、反復生成、性能測定。

要件と制約

iOS 17以降 / macOS 14以降が対象です。開発にはApple Silicon MacとXcodeを使用します。音声合成の実行にPythonやONNX Runtimeは不要です。

モデル原本約2.99 GBに加え、アプリ内コピーとCore MLコンパイルキャッシュを保存する容量が必要です。初回はコンパイルとロードに時間がかかります。

GUIサンプルは全文を一度に合成し、完成WAVを再生します。本文256トークン（BOSを含む）・潜在系列768フレームの上限を超える場合は、文章を短くしてください。速度・使用メモリ・声質は入力や実行環境によって変わります。変換コードは参考実装で、一般利用には配布済みモデルを推奨します。

ライセンス

SDK・サンプルの新規部分はApache-2.0、モデルと上流由来部分はMIT / Apache-2.0の部品別条件を保持します。部品別ライセンスと上流の使用条件に従ってください。使用許可のある声を使い、合成音声を本人の実際の発話として偽らないでください。