実験的な環境です。

EasyLlasa は 5～15秒の日本語音声と日本語テキストから日本語音声を生成する TSTS (TextSpeechToSpeech) です。

Anime-Llasa-3B をローカル PC で試せる環境です。
Geforce RTX 3060 12GB 以上を搭載した Windows PC が必要です（1音声 15秒程度）。

Anime-Llasa-3B-Demo でオンラインデモを試せますので、インストール前にどうぞ。

1. EasyLlasaInstaller.bat を右クリックから保存します。
   • リンクを開いてから右クリックから保存すると、*.bat ファイルでなく *.txt ファイルになり実行できなくなります。
2. インストール先の 空フォルダ を C:/EasyLlasa/ や D:/EasyLlasa/ などの浅いパスに用意して、EasyLlasaInstaller.bat を置いて実行します。
   • 発行元を確認できませんでした。このソフトウェアを実行しますか？ と表示されたら 実行 します。
   • WindowsによってPCが保護されました と表示されたら、詳細表示 から 実行 します。
   • Microsoft Visual C++ 2015-2022 Redistributable のインストールで このアプリがデバイスに変更を加えることを許可しますか？ と表示されたら はい とします。

1. StartServer.bat を実行してモデルのロードを待ちます。
2. お好みのテキストエディタで Dialogue.txt を開いて、1行 1音声でテキストを入力します。
3. Generate.bat に 5~15秒程度の音声ファイルをドラッグ＆ドロップします。
4. 生成が終わると Output/ に保存しつつプレビュー再生します。

• ランダム幅の広い生成ですので、ガチャってみてください。
  • BatchGenerate.bat で大量の音声をバッチで一括生成したり、バッチ数 -1 で永続生成したりもできます。
• 音声ファイルの続きとしてテキストの音声が生成されますので、テキストに合わせて馴染みそうな音声ファイルをご利用ください。

• SageAttention を v2.2.0-windows.post3 に更新しました。

• -w, --whisperオプションで Whisper モデルを指定可能にしました。
  • デフォルトは litagin/anime-whisper で、openai/whisper-large-v3-turbo なども指定できます。
• 音声ファイル名に () が含まれていると正しく動作しなかった不具合を修正しました。

• StartServer.bat と BatchGenerate.bat に @REM set HF_HOME=huggingface_cache を追加しました。
  • set HF_HOME=huggingface_cache とアンコメントすることで、Windows のユーザーフォルダのストレージ消費を回避できます。
  • ただし、Huggingace ライブラリの思想である「複数プロセスでのモデル共有」ができなくなります。
• pip と Huggingface の共有キャッシュを削除する PurgeSharedCache.bat を追加しました。
  • 共有キャッシュを削除すると、次回の pip パッケージインストール時や Huggingface モデルの利用時に再ダウンロードが発生します。

• EasyLlasa を公開しました。
• かなりのバイブコーディング製です。
  • のでバグったら AI 頼りですので、直せなかったらごめんなさい。

以下のプレビュー再生とデフォルトのバッチ数は StartServer.bat や BatchGenerate.bat をコピーするなどして書き換えてください。

set PLAY=--play --volume 0.7 --speed 1.0
set BATCH_COUNT=0

StartServer.bat と BatchGenerate.bat は同じ引数を指定できます。

• -m, --model: 使用するモデル名（デフォルト: NandemoGHS/Anime-Llasa-3B）
• -w, --whisper: Whisperモデル選択（例: litagin/anime-whisper, openai/whisper-large-v3-turbo）
• -t, --text: テキストファイルパス（デフォルト: Dialogue.txt）
• -o, --output: 出力ディレクトリ（デフォルト: Output）

• --server: サーバーモードで実行（名前付きパイプによるプロセス間通信）
• -b, --batch_count: バッチ生成回数
  • 0: プロンプトで確認（対話的入力）
  • -1: 永続生成（Ctrl+Cで停止まで継続）
  • その他の数値: 指定回数生成

• -q, --quantization: 4bit量子化を有効化

• --temperature: テキスト生成の温度パラメータ（デフォルト: 0.8）
• --top_p: ニューリアスサンプリングのtop-p値（デフォルト: 1.0）
• --repetition_penalty: 繰り返しペナルティ（デフォルト: 1.1）

• -p, --play: 生成した音声をffplay.exeで自動再生
• -v, --volume: 再生音量レベル（0.0-2.0、デフォルト: 1.0）
• -s, --speed: 再生速度（0.5-2.0、デフォルト: 1.0）

• --test-seed: 再現可能なテスト結果のためのランダムシード（テスト目的のみ）

このリポジトリの内容は MIT License です。
別途ライセンスファイルがあるフォルダ以下は、そのライセンスです。