メインコンテンツへスキップ
見出し画像

【機能解説編】キャラ画像・参照音声・Excelバッチを1つに凝縮。「OZ IrodoriTTS AllInOne」の全機能

    【お知らせ】Ver2が出ています

    この連載で紹介した「OZ IrodoriTTS AllInOne」は、Ver2になりました。この連載はVer1の内容です(Ver1はこのまま無料で公開しています)。Ver2はこちらです。


    使い方のマニュアルは、記事から無料で読めます。
    セリフ1本から、Excelのセリフ集まるごとまで。この1ノードで回せます。

    この記事では、仕様編で決めた内容をもとに作ったカスタムノード「OZ IrodoriTTS AllInOne」の機能を、ひとつずつ解説していく。

    手順を追って使う話は使い方編に分けたので、ここでは機能だけに集中する感じかな。

    この連載について

    全3回で「OZ IrodoriTTS AllInOne」を紹介する。ノード一式は、各記事の最後(有料エリア)で販売している。

    第1回:仕様編「仕様を決めた話」

    第2回:機能解説編(この記事)

    第3回:使い方編

    1. 全体像:1ノード・3モード

    「OZ IrodoriTTS AllInOne」は、音声合成「Irodori-TTS」の3つの作り方を統合した、自作の ComfyUI カスタムノード。

    ワークフローの組み替えじゃなくて、カスタムノードとして新しく作ったやつだ。

    モードの切り替えは、ノード上部の「セリフ生成方法」の3ボタンだけ。

    実行されるのは、選んだ1モードだけって仕組みにしてある。

    • キャラ画像:キャラクター画像から声を作る

    • 参照音声:参照音声の声で文章を読み上げる

    • バッチ生成:Excel のセリフ集を全行まとめて生成・保存する

    ちなみに、使ってみて一番びっくりしたのは速さ。

    ワークフローの頃と比べて、生成が速い。

    同じ内容で比べたら、18.95秒かかってたのが3.92秒になった。

    4倍以上速い。

    カスタムノード化で、ここまで変わるとは思ってなかった。詳しい中身は第10章に書いた。

    画像

    2. 機能1:キャラ画像(Character Voice)

    キャラクター画像を条件に声を作って、文章を読み上げる機能。

    要は、画像から声を作っちゃうやつだ。

    • 画像はノード内にアップロードする方式(ピン接続じゃない)。画像は ComfyUI の input フォルダに保存されて、プレビューも表示される

    • 使うモデルは v2 系の Character-Voice 専用モデル。アニメ絵向けの Tagger と、リアル寄りの画像向けの SigLIP の2種を切り替える

    • 画像から声を作る機能って、v2 系モデルにしかない。だからこのモードだけ、使うモデルが他と違う感じだ

    画像

    関連記事:

    3. 機能2:参照音声(v4.1-Small+VoiceDesign)

    参照音声の声の特徴を引き継いで読み上げる機能。

    私の普段使いだと、たぶん中心になるのはこれかな。

    • 使うモデルは最新の Irodori-TTS-v4.1-Small

    • 参照音声はフォルダから選ぶ方式。フォルダ内の音声ファイルが一覧になって、下のプレイヤーで再生して確認できる。ちなみに参照音声は30秒まで使われる

    • 「(なし)」を選べば、参照音声なしでも生成できる

    • 声質や話し方を文章で指定する VoiceDesign(キャプション欄)にも対応。参照音声と組み合わせてもいいし、キャプションだけで声を作ることもできる

    関連記事:

    4. 機能3:バッチ生成(Excel一括生成)

    Excel にまとめたセリフ集を、1回の実行で全行ぶん生成して保存しちゃう機能。

    セリフが多いときは、これが一番楽だと思う。

    • 入力は Excel 専用。シートの1行目は見出しで、データは2行目から読む

    • 列は A=番号(管理用)、B=ファイルNo.、C=キャラ名、D=参照音声ファイル名、E=セリフ

    • 行ごとに参照音声を読み替えるから、キャラクターごとに声を変えた一括生成ができる

    • D列が空の行はスキップされる

    • 生成ファイル名は「B_C_E(Eは先頭15文字まで)」+拡張子。Bが数字なら4桁にゼロ埋めされて、再実行したときは同じファイル名を上書きする

    行ごとに声を変えられるから、セリフ集を用意すれば、ボイスドラマみたいな音声ドラマもサクッと作れる。

    試しに10行回してみたら、全部で23.61秒だった。1行あたり2秒ちょっと。

    画像

    5. 機能4:モード別保存

    保存まわりは、生成方法ごとに独立させてある。

    モードを変えるたびに保存先を直す、みたいなことは起きないはずだ。

    • ✅ 保存設定(フォルダ・ファイル名・形式)はモードごとに別々に保持する。キャラ画像で決めた保存先が、参照音声に影響することはない

    • ✅ 形式は flac(劣化なし・標準)/ wav(扱いやすい)/ mp3(小さい)から選べる

    • ✅ キャラ画像と参照音声には「生成結果の自動保存」の ON / OFF ピルがある。OFF のときは生成結果をプレイヤーで聞いて、良かったものだけ「この音声を保存」で後から保存できる

    • ✅ バッチ生成は常時保存。保存先フォルダはバッチの保存設定で変更できる

    画像
    画像

    6. 機能5:絵文字ピッカー(演技タグ46種)

    読み上げ文章に入れる演技タグ(絵文字)を、ノードの中で選べる機能。

    いちいち別ノードからコピペしなくて済むようにしたやつだ。

    • 「読み上げ文章」の右端の「絵文字」ボタンで、ノードの右側に一覧が開く

    • タグは全46種で、2列のグリッド表示

    • クリックすると、テキストのカーソル位置に直接挿入される(コピー&ペーストはいらない)

    • 一覧は開いたまま続けて挿入できるし、ボタンはトグルで開閉する

    • 読み上げ文章の下には、文字数カウンタ(○文字)も表示される

    • バッチ生成ではセリフが Excel 側にあるから、ピッカーの対象外(タグは E列に直接書いてください)

    画像

    7. 機能6:モデル登録

    使うモデルは、ノード上部の「モデル登録」から3つ登録する。

    • メイン:Irodori-TTS-v4.1-Small(参照音声/バッチ生成)

    • アニメ:Tagger(キャラ画像・アニメ絵)

    • リアル:SigLIP(キャラ画像・リアル寄り画像)

    登録した内容はモードを切り替えてもそのまま使える。

    最初に1回済ませちゃえば、あとは触らなくて大丈夫なはずだ。

    画像

    8. 機能7:共通設定(seed/音声の長さ/ステップ数)

    3モード共通の設定は、「共通設定」ボタンにまとめてある。

    • seed:生成の乱数。「実行ごとにランダム」と「固定する」が選べる。モデル・設定・文章・seed が同じなら、同じ読み方を再現しやすくなる

    • 音声の長さ(秒):0 で自動推定(キャラ画像モードでは、0 のとき30秒として扱う)

    • ステップ数:生成計算の繰り返し回数。基本は 40 で大丈夫だと思う

    それ以外の細かい生成パラメータは内部に固定してあって、画面には出していない。

    「普段触るものだけ表に出す」という、仕様編で決めた方針どおりだ。

    ちなみに、表に出ている項目には全部「?」が付いていて、説明が読める。

    その説明を読めば、使い方はだいたい分かるように作ってある。迷ったら、まず「?」を見てほしい。

    カスタムノードって、英語のものが多くて、日本語のものは少ない。

    だから、ラベルも説明も、なるべく日本語で分かるように作ってある。

    画像

    9. バッチを支える仕組み(事前チェック・進捗表示・失敗行の表示)

    バッチ生成には、実際に運用すると効いてくる仕組みを3つ入れてある。

    • ✅ 参照音声の事前チェック:実行前に、Excel の D列の参照音声が全部そろっているか確認する。足りないものがあれば生成を始めないで、見つからないファイル名を重複なしで件数と一緒に表示する。「参照音声をチェック」ボタンで手動確認もできる

    • ✅ 進捗表示:実行中はステータスに「バッチ生成中… ○/○行目」と出る

    • ✅ 失敗行の表示:失敗した行がある場合は、全行の処理が終わったあとに「生成に失敗した行があります(○件):○行目(No.××)」と表示する。成功した行は保存済みだから、失敗した行だけ直して再実行すればいい

    10. 技術構成

    • 参照音声/バッチ生成の v4.1-Small は、既存のラッパーノードでは読み込めない。だから公式の推論ランタイムを呼ぶ構成にしてある

    • キャラ画像モードは、従来のラッパーの仕組み(CharacterVoiceSampler)を内部で使っている

    • ComfyUI 本体や他のカスタムノードパックには変更を加えない

    第1章で書いた「速くなった」の中身も書いておく。

    同じセリフで測ってみた。

    「こんにちは。本日は新しい環境のテストを兼ねて、マイクの音声チェックを行っています。全体の響きやトーンが、いつも通り綺麗に出ているといいのですが……いかがでしょうか。」

    • ワークフローで組んでた頃:18.95秒

    • カスタムノード:3.92秒

    3倍どころじゃなくて、4倍以上速かった。

    理由は、おそらくこの構成。

    ワークフローだと、ノードからノードへ処理を受け渡すたびに、いろいろ挟まってた。

    それが1つのノードの内部処理にまとまった分、無駄が減ったんだと思う。

    画像
    画像

    配布物の話も書いておく。

    配布は「ComfyUI-OZ」というフォルダをzipにしたもの。

    第1弾の収録は、この IrodoriTTS AllInOne だけ。

    __init__.pyは、フォルダの中にあるノードだけを登録するローダー式にしてある。無いノードは読みに行かないから、エラーにはならない。

    中身はノード一式で、モデル本体は入っていない。モデルは別途用意する形。

    バージョンは「ComfyUI-OZ v1.0」(zipのファイル名は ComfyUI-OZ_v1.0.zip)。

    同梱物は、ノード本体と画面用スクリプト、公式ランタイム(フォルダ内に同梱)、サンプルワークフロー、Excelのサンプル(SerifSample.xlsx)、README、ライセンス一式。

    あと、キャラ画像モードには jupo 版の comfy-Irodori-TTS が別途必要(ComfyUI-Managerから入れる)。参照音声とバッチだけなら要らない。

    OSはWindows/Linuxどちらでも使える作り(OS依存の処理は使っていない)。

    作者の動作確認はLinux上のComfyUIで行っている。GPUはNVIDIA(CUDA)前提。

    11. ライセンスと倫理制限

    このノードが利用している Irodori-TTS の公式コード、関連ラッパー、モデル重み(v4.1-Small/v2系)はいずれも MIT ライセンスです。

    モデル側には、MIT とは別に倫理面の制限があります。

    • 本人の同意がない実在の人物の声クローンや、なりすましは禁止されています

    • 誤った情報の生成・拡散を目的とした利用は禁止されています

    自分のキャラクターや、自分に権利のある音声の範囲でご利用ください。


    次回は、この機能を実際に使う手順を追う「使い方編」。

    ってことで、続きはそちらで。

    ノード一式は、この記事の最後(有料エリア)で販売しています。手順どおりに使いたい方は第3回「使い方編」へ。

    仕様を決めた経緯から読みたい人は、第1回「仕様編」からどうぞ。

    関連記事(Irodori-TTSをもっと楽しむ):


    これらの機能のカスタムノード「OZ IrodoriTTS AllInOne」はここからダウンロードできます。
    ↓↓↓ 「OZ IrodoriTTS AllInOne」のダウンロード ↓↓↓

    ノードの導入:ダウンロードから使えるまで

    ここからは有料エリア。
    ノード一式(ComfyUI-OZ_v1.0.zip)は、この記事の最後に添付してある。
    購入したら、この順番で進めれば使える状態になる。

    1. 添付のzipをダウンロードして解凍する。中身は「ComfyUI-OZ」というフォルダ

    2. そのフォルダを、ComfyUI の custom_nodes フォルダの下に置く。すでに ComfyUI-OZ フォルダがある人は、消さないで新しい中身を上書きで合体させる(前のノードは残る)

    3. モデル3種を、ComfyUI の models/checkpoints フォルダに置く。v4.1-Small はフォルダごと、v2系(Tagger/SigLIP)は safetensors を直接置く

    4. ComfyUI を再起動する

    5. ノードの一覧に「OZ IrodoriTTS AllInOne」が出れば、使える状態

    フォルダの中にあるノードだけを登録する作りだから、置くだけでエラーにはならないはず。

    仕様については記事A(仕様編)へ。
    仕様編:

    実際の使い方は、記事C(使い方編)へ。
    使い方編:


     
     

    OZWALD

     
     
    毎日が暇。 暇は自由だ、やりたいことだけで生きていける。

    あなたへのおすすめ