結論から先にいうと

下記のNotebookを実行する。
https://colab.research.google.com/drive/1Qt23xyPifuU2DeRGBLY8YU8xTqnPNEWA?usp=sharing

経緯

ずんだもんが、韓国語や、広東語、英語、中国語を喋れるようになりました。
かわいいですね。

ただ、VOICEVOXのようにお手軽ではなく、ある程度の開発系の知識が必要です。

下記のREADMEに沿って環境を構築していきます。
https://github.com/zunzun999/zundamon-speech-webui

Google Colab上に構築してみる

Colabを扱うのも若干ハードルがありますが、共通の環境で動かせるので、ハードルが下がると思いますので、公開しました。
実際、Readmeの手順に沿ってやるだけですが、ちょこちょこ躓くところがありました。
最終的な手順は下記です。
https://colab.research.google.com/drive/1Qt23xyPifuU2DeRGBLY8YU8xTqnPNEWA?usp=sharing

Google Colabで実行してみたところ、躓いた点

手元にGPU環境が無いのでGoogle Colabで実行してみることにしました。
いくつかわかりにくかったので、私が躓いた点、Notebook実行時に修正した点を示します。
具体的な修正方法はNotebookを参照してください。

zundamon-speech-webui 配下に、 https://github.com/zunzun999/GPT-SoVITS.git リポジトリをcloneする必要がある
Zundamon Speech WebUIで指定されている、 numba==0.56は現行(2025/02/24)ColabのPythonバージョンに対応していないのでバージョンを上げる必要上がる。
https://huggingface.co/lj1995/GPT-SoVITS は、指定されたディレクトリに中身を展開する必要がある。
https://huggingface.co/zunzunpj/zundamon_GPT-SoVITS は、指定されたディレクトリに中身を展開する必要がある。
https://github.com/zunzun999/zundamon-speech-webui の Troubleshootingに書かれている内容を GPT-SoVITS/zundamon_webui.py に適用する必要がある
- ※ GPT-SoVITS は、先述の https://github.com/zunzun999/GPT-SoVITS.git で Cloneしたもの。
Colab で動かしているWebサーバは直接アクセスできないので、トンネリングでアクセスする必要がある

動作環境

CPUのみのランタイムでも動くようですが結構遅いですね。

GPU対応のランタイムだと、ぼちぼち時間がかかりますが比較的高速に音声が帰ってきます。

結論

ずんだもんがかわいい。

これで英語や中国語を勉強したい。