F5-TTS (offline + voice clone)

機能

声

話者タブで、話者の吹き替えエンジンとして F5-TTS を選びます。その唯一のボイスは Custom voice です。各セリフはモデルが生成した長さのまま出力されます。話者の字幕に合わせて伸縮するには、吹き替えを字幕の長さに合わせるをオンにしてください。

音声 1 種.

クローン用のサンプル

Subtitld は、話者ごとにプロジェクトの音声からサンプルを切り出します：

• 3〜12秒の範囲で最も長い字幕。
• 該当するものがなければ、より長い字幕の最初の12秒。
• すべてが3秒未満の場合は、連続する複数の字幕を、3秒に達するまでつなぎ合わせたもの。

F5-TTS は6〜15秒のときに最も良く動作するため、各話者に少なくとも1つ、6〜12秒のセリフを用意してください。この動画で音楽と声を分離している場合は、サンプルは声だけから取られます。アドオンの設定の Default voice reference は、サンプルを切り出せない場合（たとえば動画が開かれていない場合）にのみ使われます。

Subtitld は各話者のサンプルを保存し、音声ファイルが変わったときにだけ切り出し直します。話者のセリフのタイミングを調整した後は、そのサンプルを削除すると新しいものが作られます。サンプルの名前は話者名で終わります。

モデル

どちらも、セリフを初めて生成するときにダウンロードされます。F5-TTS のモデルと、その出力を音声に変換する Vocos ボコーダーです。F5-TTS がサンプルを文字起こしする必要がある初回には、さらに Whisper もダウンロードされます。

オプション

アドオンは起動時にこれらを読み込むため、変更は5分間使われなかった後、または Subtitld を再起動した後に反映されます。例外は Skip auto-extracted reference transcript です。Subtitld はこれを、すべてのセリフで読み込みます。

設定 › アドオン › F5-TTS (offline + voice clone) › 設定 で変更できます。

言語

F5-TTS は言語を受け取りません。各セリフを書かれたとおりに読み上げます。ほかの言語のモデルも存在しますが、このアドオンでは読み込みません。

• en
• zh-cn

プラットフォーム

リリースは Linux、macOS、Windows でビルドされ、CI はプログラムが起動して声を表示することを確認します。CI では音声は生成しません。

トラブルシューティング

• bad_params処理する対象がありません。字幕にテキストがないか、コピーするサンプルがありません。Subtitld はサンプルを切り出せませんでした（動画が開かれていないか、その話者の字幕がありません）。デフォルトのクリップも設定されていないか、そのクリップのファイルが移動されています。字幕にテキストを入力するか、動画を開くか、Default voice reference を既存のファイルに設定してください。
• internalモデルの読み込みまたはセリフの読み上げに失敗しました。メッセージに理由が示されます。初回使用時のダウンロードに失敗した場合もここに表示されます。接続とディスク空き容量を確認して、もう一度試してください。メッセージに ffmpeg と書かれている場合は、ffmpeg をインストールして PATH に通してください。F5-TTS がサンプルを読み取るのに必要です。

ライセンス

商用利用はできません。アドオンのコードは MIT ですが、重みの CC-BY-NC-4.0 ライセンスが商用利用を禁止しています。