高品質なボイスクローンZonosをWindowsで動かすメモ

高品質なボイスクローンのZonosをWindowsで動かそうと思ったら苦労したのでメモ。

日本語も対応しており、かなり高品質な音声合成を体験できました。

環境

• Windows11
• GPU無し
• uvインストール済み

うまくいった方法

1. uv sync
2. espeak-ngのインストール
   • espeak-ng.msiをダウンロード&インストール
   • デフォルトでC:\Program Files\eSpeak NGにインストールされた
3. ソースコードの修正
   • ./gradio_interface.py の最初に追加

     import os
     os.environ["PHONEMIZER_ESPEAK_LIBRARY"]=r"C:\Program Files\eSpeak NG\libespeak-ng.dll"
     
     import torch._dynamo
     torch._dynamo.config.suppress_errors = True
     os.environ["TORCH_COMPILE_SKIP"]="1"
     os.environ["TORCHINDUCTOR_ENABLED"] = "0"
     os.environ["TORCH_COMPILE_DISABLE"] = "1"
     

     • 前半は、ここに書いてあったRuntimeError: espeak not installed on your systemの対応策
     • 後半は、実行時You can suppress this exception and fall back to eager by setting:によって表示された対応策
       • なお真面目にRuntimeError: Compiler: cl is not found.に対応しても、次にはUnicodeDecodeError: 'utf-8' codec can't decode byte 0x8d in position 214: invalid start byteのエラー（shift-jisとutf-8の文字コード問題）が出てきて面倒なので、この策に落ち着いた
   • .venv/Lib/site-packages/phonemizer/backend/espeak/wrapper.pyのset_voice関数内240行目付近を修正する

     for voice in self.available_voices():
         if (voice.language not in available) or (voice.language=="ja"):
             available[voice.language] = voice.identifier
     

     • ここに書いてあったRuntimeError: failed to load voice "ja"の対応策
4. uv run gradio_interface.py
5. http://localhost:7860/ へのアクセス
   • 表示されるhttp://0.0.0.0:7860はアクセスできないのでlocalhostを使う
6. WebUIのText to Synthesizeに合成したい日本語のスクリプトを記入し、Language Codeを"ja"にしてGenerate Audioを押す
   • 1,2分かかって、デフォルト声で合成された音声が再生される
   • Optional Speaker Audio (for cloning)に合成したい人の声サンプルをmp3等でいれるとその人の声で合成ができる

だめだった方法

• espeak-ngインストール後、環境変数のPATHに追加しても認識しない
• Windows用forkレポジトリのpowershell用スクリプト
• 公式に記載されているDockerの方法