自分の声をAI音声に！Style-Bert-VITS2＋AivisSpeechで音声生成してみた

Style-Bert-VITS2

Style-Bert-VITS2／インストール

まずはStyle-Bert-VITS2のサイトからzipファイル（sbv2.zip）をダウンロードする。ダウンロードしたsbv2.zipを解凍し、インストールしたいフォルダに移動する。私の場合、「C:\Style-Bert-VITS2」に移動した。

Install-Style-Bert-VITS2.batを実行する。
　★GPUあり：Install-Style-Bert-VITS2.bat
　　GPUなし：Install-Style-Bert-VITS2-CPU.bat

コマンドプロンプトが表示されインストールが行われる。この時、私の環境では以下のエラーが発生した。

--------------------------------------------------
Installing other dependencies...
--------------------------------------------------
Executing: uv pip install -r requirements.txt
Using Python 3.10.11 environment at: venv
  x Failed to build `av==10.0.0`
  |-> The build backend returned an error
  `-> Call to `setuptools.build_meta:__legacy__.build_wheel` failed (exit code: 1)

hint: `av` (v10.0.0) was included because `faster-whisper` (v0.10.1) depends on `av>=10.dev0, <11.dev0`
hint: Build failures usually indicate a problem with the package or the build environment
Press any key to continue . . .

faster-whisperがav==10.0.0 を要求し、その av==10.0.0 のCythonビルドが失敗しているらしい。

解凍したフォルダに「Style-Bert-VITS2\requirements.txt」があるのでテキストエディタで開き、faster-whisperの行をコメントアウトする。faster-whisperは音声→文字起こしで必要になるようで、私には不要なので問題なし。

accelerate
cmudict
cn2an
# faster-whisper==0.10.1
・・・

コメントアウトが完了したら、コマンドプロンプトで解凍したフォルダ「Style-Bert-VITS2」に移動する。そして、コマンドを実行。

cd C:\Style-Bert-VITS2\Style-Bert-VITS2
venv\Scripts\python.exe -m pip install -r requirements.txt

最新の情報はgithubのStyle-Bert-VITS2の公式サイトを参考にしてほしい。

GitHub – litagin02/Style-Bert-VITS2: Style-Bert-VITS2: Bert-VITS2 with more controllable voice styles.

Style-Bert-VITS2: Bert-VITS2 with more controllable voice styles. – litagin02/Style-Bert-VITS2

Style-Bert-VITS2／起動

初期化

以下のコマンドでinitialize.pyを実行し、各種モデルをダウンロードする。これにはかなりの時間がかかる。

cd C:\Style-Bert-VITS2\Style-Bert-VITS2
venv\Scripts\python.exe initialize.py

データセット作成

App.batを実行すると、私の環境では以下のエラーが発生。

Running app.py...
[transformers] Disabling PyTorch because PyTorch >= 2.5 is required but found 2.3.1+cu118
[transformers] PyTorch was not found. Models won't be available and only tokenizers, configuration and file/data utilities can be used.
Traceback (most recent call last):
  File "C:\Style-Bert-VITS2\Style-Bert-VITS2\app.py", line 10, in <module>
    from gradio_tabs.inference import create_inference_app
  File "C:\Style-Bert-VITS2\Style-Bert-VITS2\gradio_tabs\inference.py", line 32, in <module>
    pyopenjtalk.initialize_worker()
  File "C:\Style-Bert-VITS2\Style-Bert-VITS2\style_bert_vits2\nlp\japanese\pyopenjtalk_worker\__init__.py", line 128, in initialize_worker
    raise TimeoutError("サーバーに接続できませんでした")
TimeoutError: サーバーに接続できませんでした
Press any key to continue . . .

Style-Bert-VITS2の依存関係が2026年現在の最新版ライブラリと噛み合っていないようなので以下を実行。

cd C:\Style-Bert-VITS2\Style-Bert-VITS2
venv\Scripts\python.exe -m pip install --force-reinstall "transformers==4.39.3"

それでもまだエラーが出るので以下を実行。

venv\Scripts\python.exe -m pip install --force-reinstall ^
  "transformers==4.39.3" ^
  "huggingface-hub==0.24.6" ^
  "gradio==4.43.0" ^
  "gradio-client==1.3.0" ^
  "numpy==1.26.4"

venv\Scripts\python.exe -m pip uninstall hf-gradio

以下のコマンドで依存関係を確認する。

venv\Scripts\python.exe -m pip check
No broken requirements found.

以下のコマンドでバージョンを確認する。

venv\Scripts\python.exe -c "import torch, transformers, gradio, huggingface_hub, numpy; print('torch:',torch.__version__); print('transformers:',transformers.__version__); print('gradio:',gradio.__version__); print('huggingface-hub:',huggingface_hub.__version__); print('numpy:',numpy.__version__)"

torch: 2.3.1+cu118
transformers: 4.39.3
gradio: 4.43.0
huggingface-hub: 0.24.6
numpy: 1.26.4

App.batを起動

TimeoutError: サーバーに接続できませんでした
Press any key to continue . . .

まだエラーが出るので追加で対応。

venv\Scripts\python.exe -m pip install --force-reinstall "setuptools==80.9.0"
venv\Scripts\python.exe -m pip install --force-reinstall "pydantic==2.9.1"

App.batを起動し、ブラウザに「http://127.0.0.1:7860/」が表示されれば成功。

ここまでのセットアップで14.8GBほどの記憶容量を必要とした。

現時点での最終的なrequirements.txtは以下となる。これは環境構築時のリリースバージョンの状況により変動することを認識していただきたい。

accelerate
cmudict
cn2an

# PyAV 10.0.0 が現在の環境でビルドできないため使用しない
# faster-whisper==0.10.1

g2p_en
GPUtil

# 最新Gradioとの互換性問題を避ける
gradio==4.43.0
gradio-client==1.3.0

jieba
librosa==0.9.2
loguru
nltk<=3.8.1
num2words

# Style-Bert-VITS2自体もnumpy<2を要求
numpy==1.26.4

onnx
onnxconverter-common
onnxruntime
onnxruntime-directml; sys_platform == 'win32'
onnxruntime-gpu; sys_platform != 'darwin'
onnxsim-prebuilt

protobuf==4.25

psutil
punctuators
pyannote.audio>=3.1.0
pyloudnorm
pyopenjtalk-dict
pypinyin
pyworld-prebuilt
stable_ts
tensorboard

# PyTorchは別途CUDA 11.8版をインストールする
torch<2.4
torchaudio<2.4

# 今回正常起動を確認できた組み合わせ
transformers==4.39.3
huggingface-hub==0.24.6

# Gradio 4.43との互換性確保
pydantic==2.9.1

# pyopenjtalkのpkg_resources対応
setuptools==80.9.0

umap-learn