Repository navigation
Optional Voice Tools ja JP
基本のオーディオブックにはネイティブVoice Toolsは不要です。初回手順と声から始め、ネイティブPreparer/Voice Labや付属ローカルLLM起動が必要になったら追加します。
アプリ、Qwen3-TTS、Designer、Dataset Builder、Trainingタブのアプリ依存関係を含みます。タブがあってもすべてのネイティブツールやモデルが導入済みとは限りません。
- Designer：説明から声を作り、参照を保存。
- Dataset：生成サンプルからデータセットを作り、試聴・編集。
- Training：準備済みデータでアプリのPythonからLoRAを学習。
- Preparer：既存音声と任意の原文からデータセットZIPを作成。専用の準備済み環境が必要。
- Voice Lab：設定Pythonと必要なプロファイル用モデルで、データセットからアダプターまで段階処理。
学習とローカルVoice Designには適したハードウェア、容量、重み、互換依存関係が必要です。Custom/Cloneの前提ではありません。
- 作業を保存し、実行中ジョブを完了／キャンセルしてアプリを止めます。
- Install Voice Tools (Optional) を選びます。
- ビルドと取得の完了を待ち、失敗時はターミナルを読みます。
- 再起動し、使用ツールのパスを設定します。
追加インストーラーは、検出したCUDA/HIP/Metal/CPU用の llama-cpp-python[server] を app/env にビルドします。存在しなければCPython 3.10の独立 preparer_env を作り、OS別PyTorch、その制約、Preparer依存関係と専用 llama-cpp-python を導入します。固定したwhisper.cppソースとモデルを取得・検査・ビルドします。pyannoteの話者分離依存関係はPyTorch要件を満たす Linux AMDのみ に導入します。
CMake、C/C++ツールチェーン、GPU用には対応CUDA/ROCm SDKが必要で、取得・ビルド時間と容量が増えます。標準Dockerイメージはこの処理やpreparer_envを含みません。
チェックアウト直下で利用可能なPythonを使います。
python env_doctor.py
python env_doctor.py --voice-tools前者は app/env、後者はVoice Lab設定PythonとPreparerも検査します。--json で機械可読出力になります。これは音声生成・学習・GPU動作の実行試験ではありません。
| 環境 | 用途 |
|---|---|
app/env |
Webアプリ、通常のローカルTTS／Training、付属 llama_cpp.server
|
preparer_env |
ネイティブ音声準備。対応環境の話者分離依存関係もここに置きます。 |
| Voice Labの ROCm Python | Voice Labの段階処理。アプリPythonまたは別の準備済みPythonを指定します。 |
ROCm Pythonは現在のUIラベルであり、ROCm導入済み／全段階で必須という意味ではありません。各処理の依存関係を持つPythonを指定します。空の環境やpreparer_envにTTS学習一式があるとは仮定しないでください。
処理と声の利用を許可された録音を使います。他人の声から作ったデータセットを自動的に再配布・なりすまし利用できるわけではありません。
- Preparer で WAV/MP3 を選択。
- Advanced (source alignment & LLM enrichment) の Primary GGUF Model (optional, default from Setup) に実在するローカルGGUFを指定。ラベルにoptionalとありますが、通常の準備コマンドにはprimary modelのパスが必要です。APIモデル名／Setup URLで代用できません。Fallback GGUF Model (optional) も別のローカルパスです。
- 必要なら同じ録音版に対応する Source Text (EPUB/TXT, optional) を追加。原文照合で書き起こしの綴りを修正できます。
- Output Filename、Language、品質のしきい値を設定。Source Threshold は照合基準です。信頼度／SNR／一致度を上げると除外が増え、下げるだけで品質は直りません。
- 下記前提が揃うまで Speaker Diarization: Off。まず基本処理を成功させ、enrichmentはその後に使います。
- Start Preparation と Execution Logs を確認し、完了後 Completed Datasets からZIPを取得。音声と書き起こしを点検してから学習します。
Batch Mode は複数音声から別々のZIPを作ります。音声と原文を明示的に組にするCLIとは異なります。
話者分離は既存音声内の話者を分ける処理で、本文からスクリプトを作る際の話者注釈とは別です。
- Auto-detect multiple speakers、Always diarize はPreparer用PythonのpyannoteとCommunity-1モデルへのアクセスが必要です。
- Hugging Faceで条件に同意し、アクセス可能なトークンを渡します。UIの Hugging Face Token はその実行用でUIには保存されません。起動環境の
HF_TOKENも使えます。 - 付属導入はLinux AMDのみ。
app/envにpyannoteを追加する回避は他OSのPyTorch固定版と競合し得ます。 - LLM enrichment はローカルGGUFの Enrichment LLM Model Path と、Speaker attribution、Narration style、Emotional tone など最低1タスクが必要です。OpenAI互換URLではありません。
独自構成では ALEXANDRIA_PREPARER_PYTHON でPython、ALEXANDRIA_WHISPER_CPP_BIN と ALEXANDRIA_WHISPER_CPP_MODEL でwhisper.cppを指定できます。実在するファイルを確認してから変更します。
Quality → Dedup → Train → Evaluate → Profile → Name が使えます。Pipeline settings & environment で次を設定し Save settings：
- ROCm Python：必要依存関係のあるPython。
- Profiler model (GGUF, optional)：Profileに使うローカルGGUF。既定の特定ファイルは自動ダウンロードされません。
- Default input folder：語り手データセットフォルダー。
- EPUB search folders (optional)：人物／声説明用文脈を探すフォルダー、1行1件。
Input folder (narrator subfolders) を選び Inspect。必要な Stages to run だけを選び、事前確認して Run Pipeline。入力変更後は再確認が必要です。
- Quality：警告のみの状態／重複監査。
- Dedup：確認した一致をまとめ、処理中に完全重複クリップを除去し得ます。原本をバックアップします。
- Train：大きなリソースを使いアダプター作成。事前検査通過は全工程のメモリー保証ではありません。
- Evaluate：試験による類似度、無音、クリッピングの根拠を報告。試聴も必要です。
- Profile：ネイティブLLM依存関係とモデルが必要。
- Name stage: actually rename：既定で有効。命名の試表示だけなら無効にします。有効時はアダプターを実際に変更します。
サポートには Copy diagnostics／Download diagnostics を使い、機密除去済みでも共有前に内容を読みます。
手作りデータは24 kHzモノラルWAVと metadata.jsonl のZIPです。各記録に audio_filepath と text を入れ、音声参照はZIP内のファイル、本文は発話と正確に一致させます。アプリ内作成には Build New Dataset を使います。
TrainingではZIPまたは既存 Dataset を選び、Adapter Name、Epochs、Learning Rate、Batch Size、LoRA Rank、LoRA Alpha、Grad Accum Steps、Language を確認します。Start Training 後にログを確認し、学習未使用の行で試します。きれいな参照によるCloneとも比較してください。
UI既定値は出発点で、品質保証ではありません。量、rank、epoch、低いlossだけでよい声とは判断できません。録音一貫性、本文の正確さ、言語、表現力、評価が重要です。事前検査の最低値を推奨システム仕様に一般化しないでください。
ネイティブ導入後、チェックアウト直下で実行します。Windowsでは preparer_env/bin/python を preparer_env\Scripts\python.exe に置き換えます。
preparer_env/bin/python alexandria_batch_processor.py --help
preparer_env/bin/python alexandria_compare.py --helpバッチ処理は音声フォルダー、対応原文フォルダー、明示GGUFを使います。比較ツールは抽出データと原文の修正確認用です。実処理前にhelpを読み、原本を保持します。
download_model.py は旧Whisper-base Transformers一式の取得用です。GGUF取得や現行whisper.cpp導入の代わりにはなりません。Linuxの start_llama_server.sh／ensure_llama_server.sh は別途導入済みのネイティブ llama-server と明示モデルを必要とし、それらを導入しません。
次へ：声、音声生成、トラブルシューティング。
英語版の確認元（元の確認リビジョンを保持）： 8c7a33cb310ab9264594a09ca27e48271585094f: optional installer, advanced UI, Preparer routing, Preparer CLI, Voice Lab routing, Training routing, environment doctor.