最高です。「量産前に“誰でも同じ手順で再現できる”標準手順書（SOP）を作る」—ここを固めるとトラブルが激減します。
下は、そのまま社内共有できる簡潔なマニュアル雛形です（Windows + PowerShell 前提／GTX 1080 Ti）。

音声合成（TTS, XTTS v2）標準手順書（SOP）

0. 前提・推奨バージョン

OS: Windows 10/11（64-bit）
Python: 3.10.x（必須。3.12は不可）
GPU: NVIDIA GTX 1080 Ti（VRAM 11GB）
NVIDIA Driver: 535 以上推奨（nvidia-smiで確認）
モデル・主要ライブラリ（固定）
- PyTorch: 2.5.1 + cu121
- torchaudio: 2.5.1 + cu121
- transformers: 4.49.0
- TTS（Coqui）: 0.21.3
- numpy < 2.0
- cutlet, fugashi[unidic-lite], encodec, librosa, soundfile, fsspec, typing_extensions

互換性のため、上記は固定します。勝手に更新されると動かなくなることがあります。

1. プロジェクト構成（フォルダ規約）

<プロジェクトルート>/
  .venv/                  # 仮想環境（各プロジェクトで分離）
  scripts/                # ツールスクリプト置き場
  data/
    voice_refs/           # 参照音声（3–30秒 WAV）
    images/               # スライド/イラスト（scene_XX.png）
    bgm/                  # BGM mp3 等
    input/                # 台本（md/csv）
  build/
    audio/                # 生成WAV
    subs/                 # 生成SRT/ASS
    out/                  # 出力MP4
  scenes.json             # 台本→シーンのメタ
  constraints.txt         # 依存固定ファイル

2. 初期セットアップ（一度だけ）

2.1 Python 3.10 の用意

py -0p   # インストール済みの版を一覧

なければ python.org から 3.10.x (64-bit) をインストール（Add to PATH 推奨）。

2.2 仮想環境の作成・有効化

cd "<プロジェクトルート>"
py -3.10 -m venv .venv
Set-ExecutionPolicy -Scope Process -ExecutionPolicy Bypass
.\.venv\Scripts\Activate.ps1
python -V   # 3.10.x であること

2.3 依存固定ファイル（constraints.txt）作成

constraints.txt：

torch==2.5.1
torchaudio==2.5.1
transformers==4.49.0
numpy<2.0

2.4 ライブラリ一括インストール（GPU版）

python -m pip install --upgrade pip wheel setuptools
pip install torch==2.5.1 --index-url https://download.pytorch.org/whl/cu121
pip install torchaudio==2.5.1 --index-url https://download.pytorch.org/whl/cu121
pip install "TTS==0.21.3" --no-deps
pip install -c constraints.txt soundfile librosa fsspec typing_extensions encodec cutlet "fugashi[unidic-lite]"

CPUのみで動かす場合は、上の --index-url .../cu121 を .../cpu に読み替え。

2.5 GPU確認（scripts/check_gpu.py）

# scripts/check_gpu.py
import sys, torch, torchaudio, transformers
print("python:", sys.version.split()[0])
print("torch:", torch.__version__)
print("torchaudio:", torchaudio.__version__)
print("transformers:", transformers.__version__)
print("cuda_available:", torch.cuda.is_available())
if torch.cuda.is_available():
    print("device:", torch.cuda.get_device_name(0))

実行：

python .\scripts\check_gpu.py

3. 最小動作確認（TTSテスト）

3.1 参照音声の準備

data/voice_refs/myref.wav（3–30秒、静かな環境、モノラル推奨）

3.2 テストスクリプト（scripts/tts_test.py）

import os, torch
os.environ["COQUI_TOS_AGREED"]="1"
from TTS.api import TTS

tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2", gpu=torch.cuda.is_available())
tts.tts_to_file(
    text="GPUでの合成テストです。これが速ければ成功です。",
    speaker_wav="data/voice_refs/myref.wav",
    language="ja",
    file_path="build/audio/test.wav"
)
print("OK: build/audio/test.wav")

実行：

python .\scripts\tts_test.py

4. 量産パイプライン（雛形）

4.1 台本 → シーン（scenes.json）

台本（data/input/script.md など）を1シーン＝1段落で記述
変換スクリプトで scenes.json を生成（要望があれば作成）

scenes.json（例）：

{
  "project_title": "講座テンプレ",
  "language": "ja",
  "voice_ref": "data/voice_refs/myref.wav",
  "bgm": "data/bgm/soft.mp3",
  "scenes": [
    {"id": 1, "text": "本講座の目的を説明します。", "image": "data/images/scene_01.png", "subtitle_split": "auto"},
    {"id": 2, "text": "自動化により1分単位の動画を量産します。", "image": "data/images/scene_02.png"}
  ]
}

4.2 音声・字幕の生成（scripts/build_scenes.py）

（先にお渡ししたサンプルを設置）
実行：

python .\scripts\build_scenes.py

出力：build/audio/scene_XX.wav、build/subs/scene_XX.srt

4.3 動画レンダリング（scripts/render_video.py）

（先にお渡しした MoviePy 版を設置）
実行：

python .\scripts\render_video.py

出力：build/out/final.mp4

5. 運用ルール（標準化のキモ）

バージョン固定
- constraints.txt を必ず使う。追加インストールは
  pip install -c constraints.txt <package>
- 破った環境での不具合は切り分け困難。
差分ビルド
- シーンごとに hash(text+image+voice_ref) を保存し、未変更のWAV/SRTは再生成しない（速度向上）。
ファイル命名規約
- scene_01.png / scene_01.wav / scene_01.srt を統一。将来の自動編集が楽。
素材品質規約
- 参照音声は無音短め・ノイズ小。BGMは-18〜-20 LUFS。
- 字幕は句読点入りで読みやすく。固有名詞はルビ（括弧）を入れて誤読を防止。
テンプレ用意
- scenes.json の雛形、script.md の見出しルール、プレースホルダ画像自動生成スクリプトを用意。
バックアップ/キャッシュ
- モデルキャッシュ：%LOCALAPPDATA%\tts\
- プロジェクトは Git で管理（build/ は除外可）。

6. トラブルシュート早見表

症状	原因	対処
`ModuleNotFoundError: TTS`	TTS未インストール or 別Python	`.venv`を有効→再インストール
`You must agree to the terms...`	利用規約未同意	`setx COQUI_TOS_AGREED 1`（再起動 or 新窓）
`Weights only load failed`	torch 2.6+ 仕様変更	torch 2.5.1 に戻す
`... has no attribute 'generate'`	transformers 4.50+	4.49.0 に固定
MeCab関連エラー	cutlet/fugashi 辞書なし	`pip install "fugashi[unidic-lite]"`／`MECABRC`指定
GPUが使われない	CPU版torch/古いDriver	cu121版再インストール／Driver更新／`check_gpu.py`確認
生成音が似ない	参照音声の質が低い	静音環境で3–10秒録り直し／台本増／複数参照で使い分け

7. 自動化スクリプト（任意・便利）

7.1 一発セットアップ（scripts/setup_xtts.ps1）

venv作成→依存固定→GPU版インストール→テストファイル配置まで自動化
（必要なら私が中身を作ってお渡しします）

7.2 一発ビルド（build.ps1）

.\.venv\Scripts\Activate.ps1
$env:COQUI_TOS_AGREED="1"
python .\scripts\build_scenes.py
python .\scripts\render_video.py

8. 更新ポリシー

四半期に一度、別ブランチで「最新版に追従できるか」を検証
本番は常に constraints.txt の版を使用
ライブラリアップデート時は**検証用素材（小・中・長）**で品質/速度を比較