WindowsPC に 音声生成AI（VALL-E X）環境を構築する方法

1. はじめに

今回は、自分自身への備忘録を兼ねて、WindowsPC に 音声生成AI（VALL-E X）環境を構築する方法を、お伝えしたいと思います。

• 参考文献：自分のPCにVALL-E Xをインストールして声優の声を真似する
• YouTube：自分のPCにVALL-E Xをインストールして声優の声を真似する
• VALL-E-X（音声生成AI）が気になったので使ってみた
• パソコンニキ：僅かな音声でクローンを作成しテキストから合成音声を生成する (VALL-E X)
• パソコンニキ：PCで音声の録音とノイズを除去する方法

2. この記事を読んでできること

• WindowsPC に 音声生成AI（VALL-E X）環境を構築できるようになる
• 音声生成AI（VALL-E X）を使ってプロンプトからAI音声を作成できるようになる

3. 注意事項

• 18歳以上であること

4. 前提条件

• NVIDIA Geforce RTX VRAM 8BG 以上
• Windows 10 以降（Update済み、管理者権限あり）の PC で、/Windows/System32 にパスが通っていること
• Python 3.10.6 がインストールされていること
• Git for Windows がインストールされていること

5. 必要なもの

• WindowsPC（この記事では Windows11 を利用）
• グラフィックボード（NVIDIAの「GeForce RTX20」シリーズ以降、VRAM8GB以上）
• HDD または SSD（十分なディスク容量があること）
• インターネット環境（有線LAN推奨）
• キーボード
• マウス
• HDMIディスプレイ

6. FFmpeg のインストール

• Download FFmpeg サイト を開く
• 『Windowsアイコン』をクリックし、『Windows builds by Btbn』をクリック
• GitHubサイトから、『ffmpeg-master-latest-win64-gpl.zip』ファイルをダウンロードする
• ダウンロードした.zipファイルを解凍し、「ffmpeg-master-latest-win64-gpl」フォルダを、「C:\Program Files」フォルダ直下にフォルダごとコピーする
• タスクバーの「Windowsアイコン」検索から、『システムの詳細設定』を検索し、起動する
• 「システムのプロパティ」ウィンドウの「詳細設定」タブから、「環境変数」ボタンをクリックする
• 下段の「システム環境変数」ｊから、「Path」の行を選択し、「編集」ボタンをクリックする
• 「新規」ボタンをクリックし、ffmpeg の「bin」フォルダまでのフルパスをペーストする（例： C:\Program Files\ffmpeg-master-latest-win64-gpl\bin ）
• 「OK」ボタンをクリック後、「OK」ボタンをクリックし、「システムのプロパティ」ウィンドウを閉じる
• 「環境変数」に設定した「Path」を適用するため、一度、Windowsを再起動する

＃ 7. CUDA Toolkit 11.8 のインストール

• CUDA Toolkit 11.8 Downloads サイト を開き、cuda_11.8.0_windows_network.exeファイルを任意のフォルダ内（C:\Downloads\cuda\）ダウンロードする

• ダウンロードしたファイルをダブルクリックし、CUDAをインストールする

• 参考：この記事作成時のファイルバージョン：cuda_11.8.0_windows_network.exe

8. VALL-E-X のセットアップ（所要時間：15分）

• コマンドプロンプトを起動し、VALL-E-X を構築したいフォルダに移動し、git cloneコマンドにて VALL-E-X ソースファイルをダウンロードする

コマンドプロンプト

// gitソースをクローン（ダウンロード）
> git clone https://github.com/Plachtaa/VALL-E-X.git

// フォルダを移動
> cd VALL-E-X

// pythonの仮想環境（vall）を作成
> python -m venv vall

// 所定のディレクトリに移動
> cd vall/Scripts

// 仮想環境を活性化（アクティベート）
> activate

// 仮想環境内で2つ上のフォルダに移動
(vall) VALL-E-X\vall\Scripts> cd ../..

// PyTorchおよび関連パッケージをインストール
(vall) VALL-E-X> pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

// プロジェクトの依存関係ファイルインストール
(vall) VALL-E-X> pip install -r requirements.txt

9. GPU動作環境の確認

• GPU動作確認用スクリプトファイル（test.py）を作成し、VALL-E-X フォルダ直下にファイル保存する
• 先ほどのコマンドプロンプトの続きから、GPU動作確認用スクリプトを実行する
• およそ1分後に利用可能なグラフィックボード名が出力されればOK

test.py

import torch

# CUDAが利用可能かどうかを確認します
if torch.cuda.is_available():
    # GPUの詳細を表示します
    print(torch.cuda.get_device_name(0))
else:
    print("CUDA is not available.")

コマンドプロンプト

// GPU動作確認用スクリプトの実行
(vall) VALL-E-X> python test.py

10. VALL-E X の起動（所要時間：5分）

• 先ほどのコマンドプロンプトの続きから、VALL-E X 起動スクリプトを実行する
• しばらくするとブラウザに VALL-E Xサイト http://127.0.0.1:7860/ が表示される

コマンドプロンプト

// VALL-E X の起動
(vall) VALL-E-X> python launch-ui.py

11. サンプル AI音声の生成（所要時間：5分）

• 画面下部の「Examples」欄から、「ja-2.ogg」の行をダブルクリック選択する

• サンプルデータがセットされるので、「uploaded audio prompt」欄の再生ボタンをクリックし、『まねる元の音声』ファイルを聞いてみる

• 「Text」欄に『読み上げてほしいプロンプト文章』を入力し、『Generate!』ボタンをクリックする

• 数秒ほどで「Output Audio」欄に『AI音声』が生成されるので、再生ボタンをクリックし『AI音声』を視聴する

• トラブルシューティング：『Generate!』ボタンをクリックした際に「Error」となった場合は、コマンドプロンプト側を確認し、エラー内容を確認しましょう、わたしの環境では、FFmpeg のインストールが抜けており、FFmpegのインストール＆Windows再起動にて正常動作を確認できました

12. 次回起動用 run.bat の作成

• 毎回、手動で起動するのは疲れますので、、、Stable Diffusion の run.bat を真似て起動用 run.bat を作成してみました
• run.bat ファイルは VALL-E-X フォルダ直下に作成し、お使いください
• また、ドライブ名、フォルダパスは、皆さんの環境に合わせて書き換えてお使いください
• run.bat のショートカットファイルをデスクトップなどにコピーしてお使いいただくと、起動が楽になるかと思います

run.bat

@echo on
D:
cd "D:\Program Files\VALL-E-X"
call vall\Scripts\activate
python "D:\Program Files\VALL-E-X\launch-ui.py"

13. おわりに

いかがでしたでしょうか？WindowsPC に 音声生成AI（VALL-E X）環境を構築することができたのではないかと思います
今回の記事が、みなさまの学習の参考になれば幸いです

2023/11/14 TAKAHIRO NISHIZONO

---

追記. 音声生成AIサービス「ElevenLabs」について

• 今回ご紹介した「VALL-E X」以外に、既にサービス化されている音声生成AIもあります
• 以下の「ElevenLabs」についてのブログ記事がとても参考になるとおもいますので、ご興味あればご参照ください
• ちなみに、有名なくりえみさんの「英語リップシンク動画」は、この「ElevenLabs」サービスと「Heygen」サービスとの組み合わせで作成されているとのこと
• 参考文献：【ElevenLabs】自分のクローン音声の一番簡単な作り方

---