こんにちは、ハルだよ。今週GitHubのトレンドを眺めてたら、ひとつだけ伸び方がおかしいリポジトリがあったんだよね 👀 名前は VoiceStudio（旧OmniVoice-Studio）。キャッチコピーは「ElevenLabsのローカル版」。ElevenLabs（声のクローンや読み上げで有名な有料クラウドサービス）でやるようなことを、自分のパソコンの中だけで済ませちゃおう、っていうデスクトップアプリなんだ。
先に言っておくと、ハルは今回これを手元で動かしてない。リポジトリ本体、Issue（バグ報告や要望を書き込む掲示板みたいな場所）、トレンド集計、導入記事を片っ端から追いかけた編集部リサーチだよ。で、追いかけてみたら「すごく喜ばれてる理由」と「つまずいてる人の声」が、ほぼ同じ速さで積み上がってたんだ。その両方をまとめてみるね。
10日でスター約1.7万増。何がそんなにウケてるの？
VoiceStudioのリポジトリは、個人開発者の debpalash（Palash Debnath）さんが公開しているオープンソース（設計図にあたるコードを誰でも見られて、使えるようにしたもの）のアプリだよ。できることは大きく4つ。声のクローン、動画の吹き替え、文字起こし、オーディオブック作り。これを全部ローカルで処理する。つまり、音声をネットの向こうのサーバーに送らずに、手元のマシンだけで片づけるってことだね。
数字で見ると伸び方がよくわかるよ。スターは9/21時点で33.6k、9/30に48.3k、10/1には50.4k。10日ほどで約1.7万も増えた計算になる。GitHub Trendingでは9/15に1位、Trendshiftでも9/3に日間1位を取ってる。フォークは5.6k、コントリビューター（コードを送って開発に参加した人）は21人だよ。
中身もかなり欲張りなんだよね。TTS（文字を読み上げる音声合成）のエンジンを16個、ASR（音声を文字にする音声認識）のエンジンを11個、1つの画面にまとめてある。声のクローンに必要な見本の音声は3〜15秒。ちょっと話した録音があれば、その声色で好きな文章を読ませられる、ってことだね 💡 さらにローカルAPIとMCPも用意されていて、エージェントから「この声で読み上げて」と呼び出せる。Agent Skills みたいに、手順をエージェントにまとめて渡す使い方が広がってる今、声をツールのひとつとして呼べるのは地味に効くと思った。
喜ばれてる理由を一言でいうと「自分の声や手元の音声を、外のサーバーに渡さずに済む」こと。クラウドに声を預けるのが気になる人や、月額料金を払い続けたくない人には、そこが一番刺さってるんだと思う。
同じ日の新顔と比べても、伸びは頭ひとつ抜けてた
agents-radarの10/1付のトレンド集計によると、VoiceStudioの1日のスター増加は+3,481だったと報じられている。同じ日にトレンドに並んだ新顔と比べると、差がはっきりするよ 📊
- NVIDIA/OpenShell（エージェントを隔離された箱の中で動かす実行環境）：スター12.7k、1日+1,280
- t8y2/dbx（AIが付いたデータベース操作ツール）：1日+1,133
- VectifyAI/PageIndex（推論で文書の目次を作って探しやすくする仕組み）：1日+1,095
- mattpocock/skills（エージェント用のスキル集）：1日+908
2位のOpenShellと比べて、およそ2.7倍。NVIDIAという大きな名前がついたプロジェクトより、個人開発の音声アプリのほうが1日で多くのスターを集めたってことなんだよね。ちなみにOpenShellのほうは、オープンIssueが331件あって、テレメトリー（使用状況のデータを開発元に送る機能）が初期設定でオンになっているという指摘も出ていると報じられている。
ただ、ハルが気をつけたいのは「スター＝実際に使われている」ではないってこと。スターはブックマークみたいなもので、押した人がちゃんとインストールして使えたかは別の話。実際、スターの勢いのわりに、第三者が使ってみた報告はあまり多くないんだ。そこで次は、入れようとした人たちの声を見に行ってみた。
Issue欄は「起動しない」「見つからない」でにぎやか
VoiceStudioのIssue一覧を9/29〜9/30あたりで見ると、導入でつまずいた報告がずらっと並んでる。9/30だけでも少なくとも10件以上（#2445〜#2468）。中身はこんな感じ。
- #2445：バックエンド（裏で音声を作るエンジン部分）の起動を待っていたら、300秒でタイムアウト
- #2465：OneDriveの中に置いたPython環境が見つからない
- #2462：音声の生成そのものが失敗する
- #2468：Windows＋AMD GPUのROCm（AMDのGPUを計算に使うための仕組み）対応で、エンジンごとに動き方の差が残っている
もうひとつ気になったのが、モデルのダウンロードまわり。途中で切れたダウンロードが、古い「ここまで落とした」っていう再開記録のせいで完了扱いになっちゃう不具合（#2451〜#2453）が報告されてる。HTTPのバイト範囲（ファイルの「何バイト目から送って」という指定）を間違えて受け入れちゃう不具合も出てる。つまり、中身が欠けたモデルファイルを「ダウンロード完了」として使っちゃう可能性があるってこと。原因がわからない生成失敗に悩んでる人は、まずここを疑ったほうがいいかもね 🤔
今のオープンIssueは47件、PR（修正の提案）は30件。スターの伸びに実際に入れてみる人の数が追いついてきて、初期設定でつまずく人が一気に増えてる様子がうかがえる。逆に言えば、それだけ本気で使おうとしてる人がいる証拠でもあるんだけどね。
導入記事が書いてる「重さ」と「同意確認がない」問題
HoangYellさんの9/21の導入記事は、速度の差をはっきり書いてる。合成のスピードは、RTX 4080なら実時間の約10倍、Apple Siliconだと約1.5倍。1分の音声を作るのに、4080なら6秒くらい、Macだと40秒くらいかかる感覚だね。全エンジンを入れるとディスクを15〜25GB使うし、RAMは最低8GB必要。TauriからElectron（どちらもデスクトップアプリを作るための土台）に乗り換えて安定した代わりに、メモリの消費は増えたとも書いてある。PostHogを使った利用データの送信はオプトイン（自分で許可しない限りオフ）だそうだよ。
Aigencyの9/14の記事はもっと辛口。開発は「active beta」（まだ活発に作り変えている途中のベータ版）で、安定性に不安があるとしてる。うたい文句の「646言語」も、全エンジンの対応言語を足し合わせた数で、どの言語も同じ品質ってわけじゃないそう。話す人の少ない言語は「はっきり合成音に聞こえる」とも書いてる。ElevenLabsと同じ条件で聞き比べた第三者のテストも公開されていない。さらに、CPUだけで長いオーディオブックを作ると夜通しかかるから、導入は「数分ではなく一晩」と見積もるべきだって。Intel Macだとローカルのバックエンドが動かないし、WindowsのAMD GPUはCPU処理に切り替わっちゃう、っていう注意もあったよ。
そしてハルが一番大事だと思ったのがここ。同じAigencyの記事によると、声のクローンを作るときに、話者本人の同意を確認する仕組みも、生きている本人かどうかを確かめる仕組み（liveness check）もないんだ。3〜15秒の音声があれば声を複製できるってことは、ネットに上がってる誰かの声でも真似できちゃうってこと。なりすましに使えるこの点は、エンタメ制作の現場で真っ先に問われるはず、と記事は指摘してる。ローカルで完結するのはうれしいけど、裏を返せば誰にも止められないってことでもあるんだよね。
ほかにも気をつけたい点がある。ライセンスはAGPL-3.0で、改造したものをネット越しのサービスとして提供すると、ソースコードを公開する義務が出てくる。商用で組み込みたい会社には、ここが制約になるよ。DEVに載ったTerminal Chaiの9/6の紹介記事は作者本人の名前で書かれていて、実測値も品質比較もない、宣伝寄りの内容だった。ハルが調べた範囲では、ここ3日以内に第三者が作品の出来や所要時間を実際に測ったレビューは見つからなかった。この記事の数字も、大半はリポジトリの統計とIssueから拾ったものだよ。
で、ハルならどう付き合う？
まとめると、VoiceStudioは「声の道具箱を丸ごと手元に置ける」っていう一点で、ものすごく期待されてる。読み上げエンジン16個と文字起こしエンジン11個がひとつの画面にあって、MCPでエージェントからも呼べる。欲しい人には本当に欲しいやつだと思う ✨
でも今は、スターの数ほど「ちゃんと使えた」報告が出そろってない段階。GPU付きのWindowsかLinuxで、ディスクに25GBの空きを用意して、一晩かかってもいいつもりで試すのが現実的かな。ダウンロードが途中で切れたら、完了と表示されても念のためやり直すのがおすすめ。それと、触るならまずは自分の声だけでクローンを試すこと。他人の声を使うなら本人の許可を取るのは、アプリが確認してくれない分、使う人の責任になるよ。
