OmniVoice-Studio の始め方ガイド

イントロダクション

ElevenLabs にテキストを貼り付けて「生成」ボタンを押すと、文字数カウンターがカウントダウンします。しかし、無料枠はテストする前にすぐに使い果たされてしまいます。有料プランでは、Creator が月額 22 ドル、Pro は 99 ドルです。さらに、生成した音声ファイルはすべてあなたのマシンから送信され、相手のサーバーに保存されます。コンテンツが機密性が高く、独自のものである場合や、単に所有権を主張したい場合、この点は非常に重要です。

OmniVoice Studio は全く異なる前提で構築されています：すべての処理はあなたのハードウェア上で行われます。ボイスクローン、動画吹き替え、リアルタイム音声入力、音声デザイン——これらすべてがローカル環境で完結し、個人利用なら無料で、API キーも不要、使用制限もありません。このプロジェクトは「オープンソース版 ElevenLabs」と自称していますが、これは事実です。ただし、言語対応数という点では比較が興味深いものになります。ElevenLabs が 32 カ国語に対応しているのに対し、OmniVoice Studio はなんと 646 カ国語をサポートしています。

このプロジェクトは GitHub でスター 7,100 個、フォーク 1,100 個を記録しています。最新のリリースである v0.2.7 は 2026 年 5 月 3 日に公開され、macOS、Windows、Linux 向けの事前構築済みインストーラーが含まれています。この記事では、インストールから最初の音声生成までを一通りに解説します。

ベータ版のお知らせ: OmniVoice Studio は現在アクティブなベータ段階にあります。リリース間隔で不具合が発生する可能性があります。最新の修正を適用するには、ソースコードからクローンして bun run desktop-prod を実行することが、事前構築されたインストーラーを使用するよりも推奨される方法です。

OmniVoice Studio とは何か、そしてなぜ作られたのか

最もシンプルな説明はこれです。OmniVoice Studio は、外部サーバーに接続しないプロフェッショナル向けの音声 AI デスクトップアプリです。アカウント作成も不要、サブスクリプションも不要、推論処理中にクラウドへの通信も行われません。参照用オーディオ、スクリプト、生成されたファイルはすべて、あなたの端末内に留まります。

以下に、機能セットと価格を ElevenLabs と直接比較した内容を示します：

OmniVoice Studio の内部では、Tauri をベースにしたデスクトップアプリケーションとして動作しています。これは Rust で構築されたフレームワークで、React フロントエンドと FastAPI バックエンドをラップし、97 個の API エンドポイントを提供します。永続的な状態管理は SQLite が担当しています。

実際の処理を担当する AI パイプラインは、以下の 4 つのオープンソースコンポーネントで構成されています。

• WhisperX：文字起こし、単語レベルでの音声認識、およびアライメントを処理します。
• Demucs（Meta 提供）：ボーカル分離を担当し、音楽や背景ノイズから声を切り分けます。
• OmniVoice from k2-fsa：ゼロショット拡散型テキスト音声合成 (TTS) エンジンです。3 秒のクリップだけで 646 カ国語に対応するクローニングを実現するモデルがここにあります。
• Pyannote：話者分離（ダイアライゼーション）を処理し、複数人の録音において「誰が何を言ったか」を特定します。これにより、吹き替えパイプラインでの自動的な音声割り当てが可能になります。

GPU アクセラレーションは起動時に自動的に検出されます。ユーザーが設定を行う必要はありません。OmniVoice はハードウェアを読み取り、CUDA（NVIDIA）、MPS（Apple Silicon）、ROCm（AMD）、または CPU に適切にルーティングします。VRAM が 8 GB 未満の場合、文字起こし中に TTS モデルは自動的に CPU へオフロードされます。パイプライン自体は動作を続けますが、処理速度は低下します。

# システム要件

**

インストール前に、お使いのマシンが最小仕様を満たしているか確認してください。アプリはこれらの仕様の下でも動作しますが、その場合はパフォーマンスに不満を感じるでしょう。

</article>

知っておいてほしい重要な点があります。OmniVoice Studio を使うために GPU は必須ではありません。パイプライン全体を CPU で実行できます。GPU がない場合、TTS（音声合成）の処理速度は約 3 倍遅くなりますし、長時間の動画の文字起こしも時間がかかりますが、短いボイスクローンや音声入力用途であれば、CPU 経由でも十分に実用可能です。

GPU なしのユーザーにとって最適なのは Apple Silicon Mac です。この環境ではアプリが自動的に MLX 最適化版 Whisper と TTS バックエンドを選択し、Apple Neural Engine や Metal Performance Shaders を活用します。これにより、純粋な CPU パスよりも約 2 倍のスループットを発揮できます。

OmniVoice Studio のインストール方法

ご自身の OS に該当するセクションを選び、上から順に手順に従ってください。プラットフォームを問わずインストールシーケンスは同じです。「クローン（リポジトリの複製）」、「Bun を使ってフロントエンド依存関係をインストール」、「起動」が基本フローとなります。異なる点は、各環境で必要な前提条件だけです。

macOS でのインストール方法

必須要件:

• macOS 12 (Monterey) 以降 — Apple Silicon または Intel 対応
• Python 3.11 以上
• Bun（フロントエンド構築に使用される JavaScript ランタイム）
• Xcode Command Line Tools
• FFmpeg

以下の順序でインストールしてください。

# 1. Install Python via Homebrew (or use pyenv if you manage multiple versions)
brew install python@3.11

# 2. Install Bun
curl -fsSL https://bun.sh/install | bash

# 3. Install Xcode Command Line Tools
xcode-select --install

# 4. Install FFmpeg (used by the dubbing and capture pipelines)
brew install ffmpeg

その後、クローンして起動します。

# Clone the repository
git clone https://github.com/debpalash/OmniVoice-Studio.git
cd OmniVoice-Studio

# Install frontend dependencies
bun install

# Launch the app
bun run desktop-prod

初回起動時は、その後の起動よりも時間がかかります。Tauri シェルの構築、uv を通じた Python 仮想環境の作成、すべての Python 依存関係の同期、そして約 2.4 GB のモデル重み（ウェイト）のダウンロードが行われます。スプラッシュ画面では各ステップの進行状況がリアルタイムで表示されます。完了すると、フル機能の UI が開きます。

プリビルド DMG ユーザー向け: Releases ページ から最新の DMG ファイルをダウンロードし、マウントして OmniVoice Studio を /Applications フォルダへドラッグ＆ドロップしてください。初回起動時に「アプリが破損しており開けません」というエラーが表示される場合は、macOS の Gatekeeper が署名されていないアプリを検知しているためです。開発者 ID による署名とノタライゼーションのパイプラインは v0.4 で追跡されています。当面の間は、以下のターミナルコマンドを 1 つ実行して隔離属性を削除してください。

# Remove the Gatekeeper quarantine attribute.
# Run this once after installing. The app is open source -- verify the
# SHA-256 checksum on the Releases page against the .dmg.sha256 file
# before running this if you want to confirm the download is clean.
xattr -cr "/Applications/OmniVoice Studio.app"

// Windows へのインストール

事前要件:

• Windows 10 (21H2 以降) または Windows 11、x64 アーキテクチャ
• Python 3.11 以上
• Microsoft C++ Build Tools（pyannote.audio と、必要に応じて torch のウェール再ビルドに必須）
• Bun
• FFmpeg

これらは通常の管理者権限を必要としない PowerShell からインストールしてください。

# Install Python via winget
winget install Python.Python.3.11

# Install Microsoft C++ Build Tools
# Download from https://visualstudio.microsoft.com/visual-cpp-build-tools/
# Select "Desktop development with C++" workload during install

# Install Bun
powershell -c "irm bun.sh/install.ps1 | iex"

# Install FFmpeg via winget
winget install Gyan.FFmpeg

その後、同じく PowerShell 内でクローンして実行します:

git clone https://github.com/debpalash/OmniVoice-Studio.git
cd OmniVoice-Studio
bun install
bun run desktop-prod

Windows 固有の注意（Triton/torch.compile の OOM 問題）: Windows では、特定の TTS エンジン（特に CosyVoice パス）が最初の合成呼び出し時に torch.compile カーネルのコンパイルを実行します。VRAM が 16 GB 未満のマシンでは、音声生成が行われる前にメモリ不足エラーが発生し、OutOfMemoryError: CUDA out of memory という形で表示されることがあります。解決策は 設定 → パフォーマンス で、「Disable torch.compile (Windows)」をオンに切り替えることです。コマンドラインから起動する場合は、事前に環境変数を設定してください。

# Disable torch.compile to avoid OOM on first synthesis (Windows only).
# This falls back to the eager-mode kernel path -- slightly slower peak
# throughput, but the engine actually loads on low-VRAM machines.
$env:TORCH_COMPILE_DISABLE = "1"
bun run desktop-prod

プリビルド MSI ユーザー向け: Releases ページ から最新の MSI ファイルをダウンロードし、インストーラーを実行してスタートメニューから OmniVoice Studio を起動してください。

Linux へのインストール

前提条件 (Debian/Ubuntu):

# Install Python
sudo apt install python3.11

# Install Bun
curl -fsSL https://bun.sh/install | bash

# Install FFmpeg
sudo apt install ffmpeg

# Install GTK/WebKit dependencies required by the Tauri desktop shell
sudo apt install \
  libwebkit2gtk-4.1-dev \
  libayatana-appindicator3-dev \
  librsvg2-dev \
  libssl-dev \
  libxdo-dev \
  build-essential

前提条件 (Fedora):

sudo dnf install python3.11 ffmpeg-free
curl -fsSL https://bun.sh/install | bash
sudo dnf install webkit2gtk4.1-devel libappindicator-gtk3-devel librsvg2-devel openssl-devel

クローンして実行:

git clone https://github.com/debpalash/OmniVoice-Studio.git
cd OmniVoice-Studio
bun install
bun run desktop-prod

事前ビルドされた AppImage を使用するユーザー向け:

# Download the AppImage from the Releases page, then:
chmod +x OmniVoice.Studio_*.AppImage
./OmniVoice.Studio_*.AppImage

# If you see a white screen on Fedora 44+ or Ubuntu 24.04, set this:
WEBKIT_DISABLE_COMPOSITING_MODE=1 ./OmniVoice.Studio_*.AppImage

最近のディストリビューションで画面が白くなる現象は、WebKitGTK 2.44/2.46 のコンポジティングに関する回帰問題です。v0.3 以降の AppImage はこれを自動検知し、フラグを自動的に設定します。ソースコードからのインストールの場合のみ、手動で環境変数を指定するパスがフォールバックとして用意されています。

事前ビルドされた .deb パッケージを使用するユーザー向け:

sudo apt install ./OmniVoice.Studio_*.amd64.deb
omnivoice-studio

Docker (バックエンド専用):

デスクトップ GUI が必要ないヘッドレスサーバー利用やチームでのデプロイを想定し、OmniVoice Studio では FastAPI バックエンドとその 97 の API エンドポイントのみを実行する Docker パッケージも用意しています:

# Clone the repo if you haven't already
git clone https://github.com/debpalash/OmniVoice-Studio.git
cd OmniVoice-Studio

# Build and start the backend container
docker compose -f deploy/docker-compose.yml up

このようにしてバックエンド API は http://localhost:8000 で利用可能になります。完全な API リファレンスはリポジトリ内の docs/ ディレクトリに記載されています。デスクトップセッションを起動せずにパイプラインに OmniVoice の機能を組み込みたい場合に、このパスは非常に有用です。

Hugging Face トークンの設定

**

基本的な利用ではこの手順は必須ではありませんが、以下の 2 つの機能には必要です。1 つ目は話者分離（pyannote/speaker-diarization-3.1 モデルは Hugging Face でアクセス制限がかかっているため）、2 つ目は大規模な音声デザインエンジンです。

無料の Hugging Face アカウント と、読み取り専用のトークンが必要です。取得できたら:

オプション 1 — アプリ経由（推奨）：設定 → API キーを開き、hf_... トークンを貼り付けて保存してください。アプリはこのトークンを OmniVoice の暗号化された SQLite ストアと、標準的な huggingface_hub の場所に書き込みます。これにより、アプリが起動するすべてのサブプロセスが自動的にトークンを利用できるようになります。

オプション 2 — 環境変数:

# macOS / Linux -- add to ~/.zshrc or ~/.bashrc
export HF_TOKEN=hf_your_token_here
source ~/.zshrc

# Windows PowerShell -- writes to user-scope environment
# Use this, not setx. setx truncates values over 1024 chars and
# doesn't propagate to the current shell session.
[Environment]::SetEnvironmentVariable("HF_TOKEN", "hf_your_token_here", "User")

また、モデルをダウンロードする前に Hugging Face のモデルページで利用規約に同意する必要があります。pyannote/speaker-diarization-3.1 にアクセスし、ゲート付きモデルへのアクセスリクエストを受け入れてください。これは一度きりの手順です。

# 音声のクローン作成

**

音声クローンはこのアプリのコア機能であり、OmniVoice をインストールする人が最も重視する部分です。これを実現しているのは k2-fsa が開発した OmniVoice です。646 か国語で訓練された拡散ベースの TTS システムで、ゼロショット学習に対応しています。つまり、微調整（ファインチューニング）の手順は不要です。推論時に参照クリップを指定するだけで、モデルがその瞬間に話者の声に適応します。

音声クローン作成の手順:

音声クローンタブへ移動してください。参照オーディオには 2 つの方法があります。1 つ目はアプリ内のマイクボタンをクリックして直接録音する方法、もう 1 つは既存のオーディオファイルをアップロードする方法です。どちらの場合でも、明確な発話で 3〜10 秒あれば十分です。

その後:

• 参照オーディオクリップをアップロードするか、録音します。
• ドロップダウンメニューから対象言語を選択します（646 か国語対応）。
• テキストフィールドに合成したいテキストを入力または貼り付けます。
• 生成をクリックします。

OmniVoice はローカル環境で処理を行い、生成したオーディオをプレビューとして再生します。エクスポートボタンから MP3、WAV、または FLAC 形式で出力可能です。

良いリファレンスクリップの条件: バックグラウンドノイズは音質を著しく低下させる最大の原因です。静かな部屋で録音され、話者が自然に話しているクリップの方が、電話通話中の雑音混じりの断片よりも高品質なクローニングが可能です。背景音楽が含まれるクリップの使用は避けましょう。どうしてもそれしかない場合は、リファレンスとして使う前に「Vocal Isolation」タブ（後述）で処理し、背景音を除去してください。

もし出力音が少し不自然に聞こえる場合——ロボティックな子音やリズムのズレなど——エンジン自体の問題と決めつける前に、より長い、あるいは別のリファレンスクリップを試してみてください。ゼロショットモデルは入力されるリファレンスオーディオの品質に敏感です。

# 動画の吹き替え

**

吹き替えパイプラインは OmniVoice Studio が行う処理の中で最も複雑な機能ですが、その動作を最初から最後まで見守るのは非常に印象的です。YouTube の URL またはローカルのファイルから動画を読み込むと、音声の文字起こしを行い、対象言語へ翻訳します。その後、元の話者の声をクローンして合成し、吹き替えされたオーディオを生成。最後にこれらをすべて MP4 形式に統合します。すべてローカル環境で完結するため、データのアップロードは不要です。

このパイプラインでは、文字起こしに WhisperX を、話者分離（どの声がどの話者に属するかを特定）に Pyannote を、合成には OmniVoice モデルを使用します。また、Demucs を用いて元の音声と背景音を分離することで、吹き替えトラックの下で背景音を残すことが可能になります。

動画の吹き替え手順:

「Dub」タブに移動し、YouTube の URL を貼り付けるか、アップロードボタンをクリックしてローカルファイルを選択します。対象言語を選び、「Start Dub」をクリックしてください。

進行状況バーには、ダウンロード（YouTube の場合）、文字起こし、話者分離、翻訳、音声合成、マックスの各工程が順次表示されます。GPU 搭載マシンで 5 分程度の動画を処理する場合、パイプライン全体は通常 8〜12 分で完了します。CPU のみを使用する場合はさらに時間がかかります。

処理が完了すると、生成された MP4 ファイルは「Projects」パネルに表示され、SRT サブタイトルファイル、分離された音声ストーム（stems）、元の文字起こしデータとともに確認できます。

バッチキュー: 複数の動画を処理したい場合は、各動画に対して「Add to Queue」をクリックしてキューに追加し、その後「Run All」を実行します。コンダクターは GPU を活用して逐次処理を行い、各ジョブごとにリアルタイムの進行状況バーを表示します。処理中も新しいジョブを追加可能です。

# 音声のデザイン

**

音声デザイン機能は、リファレンスとなるクリップがない場合にゼロから新しい声を生成するためのものです。「Voice Design」タブに移動すると、性別、年齢、アクセント、ピッチ、速度、感情、方言などを調整するスライダーやコントロールが表示されます。

設計プロセスは反復的に行います。コントロールを調整して「Preview」をクリックし、再生して確認した上で再度調整します。「A/B Comparison」ボタンを使えば、現在の音声設定をバージョン A として固定し、さらに調整を加えてバージョン B を作成できます。同じサンプルテキストを再生しながら両者を切り替えることで、記憶に頼らず直接比較することが可能です。

</article>

気に入ったボイスができたら、名前とタグを付けて「Voice Gallery」に保存しましょう。保存されたボイスは「Voice Clone」タブのターゲットとして利用可能になり、毎回リファレンスクリップを用意しなくても、設計済みのボイスで新しい音声を合成できるようになります。

# 音声入力ウィジェットの利用方法

**

音声入力ウィジェットは、アプリケーションを切り替えることなくシステム全体で使用できる文字起こしツールです。グローバルなホットキーは、macOS では Cmd+Shift+Space、Windows と Linux では Ctrl+Shift+Space です。

コードエディタやブラウザのテキストフィールド、メモアプリなど、あらゆるアプリからこのホットキーを押してください。すると小さな枠なしの浮動ウィンドウが現れます。話し始めると、ウィジェットは WhisperX の ASR エンジンを通じてローカルの WebSocket 接続であなたの発話をストリーミングし、リアルタイムで文字起こしを行います。そして、ウィジェットを開く前にフォーカスされていたアプリケーションに結果を自動貼り付け、ウィンドウは自動的に消えます。

トリガーから話して貼り付けるまでの一連の流れは数秒で完了します。ウィンドウの切り替えも、コピー＆ペーストの手間も不要です。

• ホットキーの設定: Cmd+Shift+Space がシステム内の他のアプリケーションと競合する場合は、設定 → 音声入力を開き、競合しない組み合わせにホットキーバインディングを変更してください。新しいバインディングはアプリを再起動しなくても即座に有効になります。

ウィジェットが対応していない機能として、通話履歴の保存はありません。各起動時に音声を変換して貼り付け、その後は音声を破棄します。全文を閲覧・編集したい場合は、ファイルへの記録と完全な編集可能なトランスクリプト表示を行う「Transcription」タブをご利用ください。

TTS エンジンの選択

OmniVoice Studio には 6 つの TTS エンジンが標準搭載されています。デフォルトの OmniVoice は 600 以上の言語に対応し、ボイスクローニングや指示に基づく音声生成も可能です。他のエンジンはいずれも特定の目的のために用意されており、設定画面の「TTS Engine」から 10 秒で切り替えが可能です。あるいは OMNIVOICE_TTS_BACKEND 環境変数を変更することで同様に切り替えることができます。

GPU を搭載していないマシンで英語のみを使用する場合、KittenTTS と MOSS-TTS-Nano は CPU 上でほぼリアルタイムで動作します。Apple Silicon の場合は、MLX-Audio に切り替えることで、Apple Neural Engine を直接活用した M シリーズハードウェア上での最速推論が可能になります。声のスタイルをスライダーで調整するのではなく、自然言語で指示して生成を行いたい場合は CosyVoice 3 が最適です。

システム全体で設定を変更したい場合は、環境変数経由で切り替えてください：

# Run OmniVoice Studio with CosyVoice 3 as the active TTS backend.
# Valid values: omnivoice, cosyvoice, mlx-audio, voxcpm2, moss-tts-nano, kittenTTS
export OMNIVOICE_TTS_BACKEND=cosyvoice
bun run desktop-prod

# Windows equivalent
$env:OMNIVOICE_TTS_BACKEND = "cosyvoice"
bun run desktop-prod

カスタムエンジンの追加: OmniVoice は組み込みのバックエンドレジストリを使用しています。独自の TTS エンジンを接続するには、backend/services/tts_backend.py で TTSBackend をサブクラス化し、ファイル末尾にある _REGISTRY 辞書に追加します。README には、このインターフェースが約 50 行の Python コードで記述されていることが記載されています。完全な開発セットアップについては CONTRIBUTING ガイド を参照してください。

MCP サーバー経由での OmniVoice Studio の利用

**

OmniVoice Studio には Model Context Protocol (MCP) サーバーが同梱されており、デスクトップアプリを開かなくても Claude Desktop、 Cursor**、または MCP に互換性のあるクライアントから TTS や吹き替え機能を呼び出すことができます。

これは、AI コーディングセッションの内部から音声オーディオを生成したい場合や、すでに MCP 対応ツールで実行されているパイプラインの一部として音声生成を自動化したい場合に便利です。

OmniVoice Studio を実行すると、MCP サーバーは localhost:8765 で公開されます。Claude Desktop に接続するには、claude_desktop_config.json に以下の設定を追加してください。

{
  "mcpServers": {
    "omnivoice": {
      "command": "npx",
      "args": ["-y", "@omnivoice/mcp-server"],
      "env": {
        "OMNIVOICE_API_URL": "http://localhost:8765"
      }
    }
  }
}

接続が完了すれば、Claude Desktop は OmniVoice のツールを直接呼び出せるようになります。例えば、「この段落をイギリス英語の女性ボイスで音声生成して」と入力すると、Claude がリクエストを OmniVoice のローカル API へ転送し、音声を合成した上でファイルパスを返します。

MCP サーバーは、TTS（テキスト読み上げ）生成、参照ファイルを使用した声のクローン作成、吹き替えジョブの作成といったコア機能を、すべての MCP クライアントが検出・呼び出し可能な名前付きツールとして公開しています。ツールの完全なスキーマについては、リポジトリ内の docs/ ディレクトリをご覧ください。

# 結論

**

OmniVoice Studio は、ローカルファーストの音声 AI が持つ実用性を示す好例です。クラウドツールが悪いからではなく、646 言語に対応し、利用制限がないこと、そして音声が端末外に一切流出しないという特徴が組み合わさることで、真に異なる価値を生み出しているからです。セットアップは、インストール手順を一度実行するだけで済み、2.4 GB のモデルダウンロードと、必要に応じて Hugging Face トークンの取得が必要ですが、これらは一度きりの投資で済みます。その後は、単にツールを使うだけです。

**

現在、ベータ版として活発に開発が進められており、一部にはまだ手触りの荒い部分もありますが、クローン作成、吹き替え、音声入力、デザインといった中核的なパイプラインは機能しており、コミュニティの反応も良好です。リリースはローンチ以降も定期的に更新されています。

オーディオデータを扱い、データの所在を重視する開発者やコンテンツクリエイター、研究者にとっては、ローカル環境で利用する価値があります。

Shittu Olumide はソフトウェアエンジニアであり技術ライターです。最先端の技術を駆使して説得力のある物語を紡ぐことに情熱を注いでおり、細部へのこだわりと複雑な概念をわかりやすく解説する能力に長けています。また、Twitter でも活動しています。