「音声機能をアプリに追加したいけど、OpenAIやGoogleのAPIに月数万円払うのは厳しい」——そう思ってるエンジニア、ちょっと待って。
自前サーバーで動かせる音声AIがMicrosoftからOSSとして公開されてるのを知ってた？ それが microsoft/VibeVoice です。先週だけで2,800スターを獲得し、今GitHubトレンドの上位に入ってきてるリポジトリ。
実際にセットアップして自作アプリに組み込んでみたら、想像以上に使い勝手がよかったので、手順とハマりどころをまとめます。この記事を読めば：
- VibeVoiceをローカルとVPSで動かす手順がわかる
- REST API / Python SDKから叩く方法がわかる
- 副業プロジェクトや社内ツールへの組み込みイメージがつかめる
セルフホスト型の音声AIに興味があるなら、ブックマーク推奨です。
VibeVoiceってどんなツール？
一言で言うと、音声認識（STT）・音声合成（TTS）・話者識別をまとめてセルフホストできるオールインワンの音声AIサーバーです。
MicrosoftのAzure Cognitive Servicesの技術を一部OSSとして切り出し、HTTPサーバーとして立てられるようにした構成になっています。クラウド依存ゼロで動くのが最大の特徴で、データを外部に送らずに済む。
できること一覧
| 機能 | 説明 |
|---|---|
| Speech-to-Text (STT) | 音声ファイルまたはマイク入力をテキスト変換 |
| Text-to-Speech (TTS) | テキストを音声ファイルに変換（複数話者モデル対応） |
| Speaker Diarization | 誰が話しているかを識別・ラベリング |
| Streaming STT | WebSocket経由でリアルタイム文字起こし |
| Language Detection | 発話言語を自動判定（日本語対応あり） |
日本語の認識精度については後述しますが、正直なところ「思ってたより使えるレベル」でした。完璧ではないけど、社内ツールや副業プロジェクトなら十分実用になります。
なぜ今セルフホストが注目されているのか
クラウドAPIの料金体系が年々改定され、スタートアップや個人開発者にとって無視できないコストになっています。OpenAI Whisper APIだと音声1時間あたり約$0.36（約50円）かかりますが、長時間の文字起こしや高頻度の処理をするとすぐ数万円に達します。
VibeVoiceをVPS（月1,000〜2,000円）に載せて自前運用すれば、従量課金から解放されます。データプライバシーの観点でも、医療・法律・社内情報など機密性の高い音声を外部APIに送りたくないケースには特に刺さる選択肢です。
ローカル環境でのインストール手順
まずはローカルで動かしてみましょう。手元で動作確認してからVPSに載せるのが定番の流れです。
必要な環境・依存パッケージ
動作確認した環境は以下のとおりです：
- OS: Ubuntu 22.04 / macOS 14 Sonoma
- Python: 3.10以上
- RAM: 推奨8GB以上（最低4GB）
- GPU: なくても動く（CPUモードで処理は遅め）
- Docker: 20.10以上（コンテナ起動する場合）
GPUがある場合はCUDA 11.8以上が使えます。手元のMacBook Air（M2、16GB）では一応動きましたが、長い音声の処理は少し待ちが出ました。
コメント