音声合成・文字起こしとは？
音声合成・文字起こしとは、録音や読み上げを人がやっているという状態を、仕組みで解消することです。Coqui TTS（XTTS）は、この用途に使えるオープンソースのひとつです。多言語対応の音声合成ツールキットです。少量の音声から話者の声を再現する使い方もできます。
- キャラクター音声の生成
- 多言語ナレーション
- 読み上げAPIの内製
Coqui TTS（XTTS）を使うと何が変わるのか
日本語を含む多言語の読み上げに対応し、話者クローンを行う用途で使われます。当社はキャラクター音声の生成にクローン型のTTSを常駐APIとして運用しており、動画1本ごとにモデルを読み込み直さない構成にすることで生成時間を安定させています。日本語で使う場合は、読み上げ用テキストの前処理（固有名詞や数字のかな変換）を通すかどうかで自然さが大きく変わります。声を再現する用途では、素材となる音声の権利と本人の許諾を必ず確認してください。
すでに世界で使われている完成品を土台にするので、同じものをゼロから作るより短い期間で済みます。当社は、この土台に対して日本語化、画面や項目の変更、権限、帳票、既存システムとの連携を加えて、御社の業務に合う状態にします。
Coqui TTS（XTTS）の日本語対応（実測）
Coqui TTS（XTTS）の日本語対応は未調査です。
| ライセンス | MPL-2.0 |
|---|---|
| 日本語ロケール | 日本語の読み上げに対応しますが、前処理を入れないと固有名詞や数字の読みが崩れます。 |
GitHubの公開ファイル一覧から日本語ロケールの実ファイルを数えた結果です。配布用のビルド成果物は除いています。技術的な詳細はCoqui TTS（XTTS）のOSS情報にまとめています。
進め方は？
進め方とは、現場を見て対象を決め、動くものを見ていただきながら作り、御社の環境へ導入するまでの流れのことです。書類で仕様を固めてから作る進め方はしません。
1日目（無料）
現場に伺い、いまのやり方を見せていただきます。音声合成・文字起こしのどこから手を付けるかを決めます。
2〜4日目
Coqui TTS（XTTS）を土台に、御社のPCで目の前で開発します。動くものを見ながらその場で直します。
5日目
御社の環境へ導入し、ソースコードと開発ノウハウをお渡しします。以後は自社で改造できます。
その後
追加の作り込みが必要なら、範囲を決めてあらためてお見積もりします。延長を前提にした進め方はしません。
この方法が向かないのは？
向かないのは、基幹システムの全面刷新や、複数部門にまたがる大規模な仕組みのことです。15時間という枠では作り切れません。また、決まった手順を正確に繰り返すだけの処理は、AIを使わないほうが速く確実です。当社ではその部分は普通のプログラムとして作ります。
音声合成・文字起こしを、まず15時間で試す
名古屋市内なら、1日3時間×5日間の計15時間・税別15万円で試せます。初日3時間のヒアリングと提案は無料です。御社のPCと御社名義のAIエージェントで目の前で開発するので、作り方ごと社内に残ります。成果物とソースコードはお客様のものです。
AI導入お試し実験を見る 動くデモを先に見る（110,000円〜） Coqui TTS（XTTS）について相談する音声合成・文字起こしに使える他のオープンソース
同じ用途に使える土台は他にもあります。ライセンス、日本語対応、規模を比べて選べます。
| 名前 | できること | 日本語 | デモ |
|---|---|---|---|
| Kurage AI MOM | 会議の録音をアップすると、同じサーバーのwhisper.cppが文字起こしし、AIが議事録の下書きを作り、人が承認したものだけが確定議事録になるシステムです。 | 日本語で開発・提供。 | — |
| VOICEVOX | 日本語の音声合成エンジンです。読み上げ音声を自社サーバーで生成でき、キャラクター音声も選べます。 | 日本語専用のエンジンで、UI・ドキュメントとも日本語です。 | — |
| Complete-Ecommerce-in-laravel-10 | Laravel 10をベースとした高機能なECサイト構築用ソリューションです。 | 日本語ファイルが一部のみ | — |
| Kurage AI VTuber Runtime | 台本・自律会話・TTS・リップシンク・配信を扱うAI VTuberランタイムです。 | 日本語台本、音声、配信UIに対応。 | — |
| Streamer-Sales | 商品の特徴から購買意欲を刺激する商品解説を行うAIライブコマース配信システムです。 | 未調査 | — |
