YoVoiceとは
YoVoiceはローカルファーストのオーディオスタジオです。テキストを音声にし、声をデザインまたはクローンし、楽曲やインストゥルメンタルを生成し、マルチトラックのスコアを編曲します。使うモデルは、お使いのコンピューターにダウンロードして実行します。 READMEはmacOS、Windows、Linux向けのオープンソースのスタジオと説明しており、プロジェクトは名称を「yovoice」と表記し、公式サイトは中国語が主で英語版もあります。
推論エンジンはShugoAIのネイティブC++エンジンaudio.cppで、READMEによればPythonやCondaのセットアップは不要です。 変更履歴によると、バージョン0.8.0ではコミュニティへの楽曲共有、カスタマイズ可能なキーボードショートカット、6種類のテーマ、新しい音声認識モデルが追加されました。
入手方法
YoVoiceはmacOS(Apple silicon)、Windows、Linux向けのダウンロード版で、通常のアプリと同じようにインストールします。単独のCLIアーカイブも公開されており、デスクトップアプリにターミナルは不要です。
選択肢 | 入手方法 |
|---|---|
| macOS | Apple silicon向け.dmg、macOS 14以降:GitHub Releases |
| Windows | x64向けセットアップ.exe(CUDA 12.4/13.3版あり):GitHub Releases |
| Linux | x64向け.deb(Debian/Ubuntu)または.tar.gz:GitHub Releases |
| CLI | OSごとの単独zip:CLIガイド |
| 公式サイト | yovoice.leemysw.com |
| プライバシーポリシー | 見つかりませんでした。あるのはコミュニティ規約のみです |
| ソースコード | github.com/leemysw/yovoice、Apache-2.0ライセンス |
確認したバージョン:0.8.0。GitHubのリリースページによれば2026年11月15日に公開され、メインブランチの最新の変更は2026年11月17日です。GitHubはこれらのインストーラーの配布経路にすぎず、モデルはアプリ内で別途ダウンロードします。
動作要件
情報源にはRAM、VRAM、ディスク容量の最小値が示されていません。負荷が大きいのは別途ダウンロードするモデルで、サイズは大きく異なります。
OS
- 情報源の記述:
- Apple silicon上のmacOS 14以降、Windows 10/11 x64、Linux x64。WindowsインストーラーはWebView2ランタイムが必要なら取得し、LinuxにはWebKitGTK 4.1が必要(.debが自動で導入)
アクセラレーション
- 情報源の記述:
- macOSではMetal。WindowsのCUDA 12.4/13.3インストーラーはNVIDIA GPU用ランタイムを同梱。LinuxはそのままCPUで動作し、Vulkan GPUランタイムは設定からダウンロード可能
メモリとVRAM
- 情報源の記述:
- モデルによります。ドキュメントにはモデルごとのファイルサイズ(例:IndexTTS 2.5はQ8で3.50 GB)があり、Breeze TTS 2にはGPUを推奨
モデル
- 情報源の記述:
- アプリ内またはCLIでダウンロード(一時停止と再開に対応)。ダウンロードの合計サイズは情報源に記載なし
データフォルダー
- 情報源の記述:
- 既定は~/.yovoiceで、設定から移動可能。アプリをアンインストールしても残ります
インターネット
- 情報源の記述:
- モデルとランタイムのダウンロードに必要。ドキュメントによれば、エンジンとモデルをインストールした後は生成をオフラインで実行できます
バックエンドはREADMEとCLIガイドの記載どおりです。PromptQuorumは、どのモデルがどのバックエンドで動くかは確認していません。
情報源で確認できた機能
以下の項目はすべてREADME、ドキュメント、変更履歴に基づくもので、独自に検証したものはありません。
- 音声、声のデザイン、クローン。 リファレンス録音から声をクローンし、テキストの説明から声をデザインし、感情や話し方を調整できます。モデル一覧にはIndexTTS 2.0/2.5、VoxCPM2、Qwen3-TTS、XTTS v2、Kokoroなどが含まれます。
- 物語の吹き込み。 テキストや字幕ファイルを取り込み、各行に登場人物を割り当てて1行ずつ生成します。1行につき複数のテイクを比較できます。
- 音楽とスコア。 ACE-Step 1.5またはYuE2で歌詞付き楽曲とインストゥルメンタル、Stable Audio 3でインストゥルメンタルと効果音、楽曲の6ステム分離、General MIDIのスコア編曲とMIDI・ステムの書き出し。
- 文字起こし。 音声や動画を時刻付きの字幕行に変換し、SRTまたはWebVTTで書き出します。Qwen3 ASRやParakeetなどのモデルを使います。
- エージェントとAPI。 インストール可能なAgent SkillとCLI、
yovoice serveによる認証付きHTTP API(MCPエンドポイント付き)、デスクトップアプリ内の127.0.0.1向けローカルAPI、DeepSeek、Qwen、OpenAI、Anthropic、Ollama、LM Studioなどのサービスで動く任意のアシスタントパネル。 - インターフェース。 12の表示言語、6つのテーマ、編集可能なキーボードショートカット。
費用
アプリはApache-2.0ライセンスで無料です。公式サイトにもリポジトリにも、有料プラン、試用、サブスクリプションの記載はありません。
アプリ
- 情報源の記述:
- 無料。アカウントが必要と説明されているのはコミュニティ共有のみ
AIアシスタント
- 情報源の記述:
- 任意。接続するプロバイダーの従量課金APIやプラン、またはローカルのOllamaやLM Studioサービス(通常キー不要)
モデル
- 情報源の記述:
- ドキュメントにはアプリ内でのモデルダウンロードが記載され、料金の記載はありません。ライセンスはモデルごとに異なります
いずれの通貨でも価格は記載されていません。公式サイトの構造化データには、アプリの価格として0 USDが記載されています。
データの流れとプライバシー
READMEは、生成は完全にお使いのCPUまたはGPU上で実行され、原稿、リファレンス音声、作品がコンピューターの外に出ることはないと述べており、公式サイトも「100%オフラインのプライバシー」を繰り返しています。 アーキテクチャ文書は、モデルとランタイムのダウンロード、およびユーザーが開始するコミュニティ共有を除けば、ネットワークを使うのはご自身が設定したAIサービスだけだと補足しています。READMEは別に、macOSとWindowsでのバックグラウンドでの更新確認にも触れています。
任意のアシスタントは、入力したリクエストと固定の指示を、選んだプロバイダーへ直接送信し、キーは所有者のみの権限でローカルデータベースに保存されます。0.8.0で追加されたコミュニティ共有は、leemyswアカウントでサインインした後、プレビュー音声ファイルとプロジェクトパッケージをアップロードします。コミュニティ規約によれば、サインイン時に規約のバージョン、時刻、ネットワークアドレスが記録されます。
📌補足: これらは開発者による表明であり、監査結果ではありません。PromptQuorumはコードを読んでおらず、アプリのネットワーク通信も調べていません。また、読めるプライバシーポリシーがないため、これらの記述はREADMEとドキュメントのみに基づきます。
声のクローン、同意、モデルライセンス
クローンに必要なのはリファレンス録音だけで、READMEと確認したドキュメントのページには、その声が利用者本人のものかを確かめる仕組みの記載がないため、同意の確認はご自身の責任になります。 開発者のコミュニティ規約は、実在の人物の声を本人の同意なく共有すること(著名人、俳優、歌手のクローンを含む)となりすましを禁じています。この規約が適用されるのはコミュニティであり、アプリの私的な利用ではありません。
- 同意と法律。 声をクローンすることが適法かどうかは、本人、目的、国によって異なります。このレビューは法的助言ではなく、PromptQuorumはいかなる法域も評価していません。
- モデルのライセンスは異なります。 READMEによれば、OmniVoice、YuE2、Breeze TTS 2、Voxtral 4B TTS、MuScriptorの重みは非商用に限られ、XTTS v2とDrama 3はCoquiとFish Audio独自のライセンス、IndexTTSのモデルは別のモデルライセンス、Stable Audio 3は年間売上100万米ドル未満ならStability AI Community Licenseで無料です。Apache-2.0はアプリに適用され、これらの重みには適用されません。
- 共有のルール。 コミュニティ規約は、声の出所(自分の声、明確な同意を得た他者の声、合成音声のいずれか)を正直に申告すること、および商用利用を禁じるモデルで作った作品には非商用ライセンスを選ぶことを求めています。
確認できなかった点
- 出力品質と速度。 PromptQuorumは音声や音楽を聴いておらず、生成速度の測定やどのモデルのクローン精度のテストも行っていません。公式サイトには音声サンプルがありますが、評価していません。
- プロジェクトの成熟度。 リポジトリは2026年9月15日に作成され、個人開発者の名義で公開されているため、長期的なメンテナンスは不明です。
- テイクの保持。 変更履歴のUnreleasedの項には、10バージョンを超えると古いテイクが黙って削除される問題の修正があるとあります。バージョン0.8.0が該当するかは確認していないため、必要なテイクはコピーを保管してください。
- 対応言語。 対応する音声の言語はモデルによって異なり、情報源に単一の数字はありません。どの言語も試していません。
- インストーラーの署名。 macOSとWindowsのインストーラーが公証やコード署名を受けているかは確認していません。
競合と代替ツール
Voicebox
- 対応OS:
- macOS、Windows(Linuxはソースから)
- 価格/ライセンス:
- 無料/MIT
- 主な違い:
- 音声クローン、音声合成、Whisper音声入力とMCPサーバー。レビューには音楽生成やスコア作成の記載なし
Voiceboxに関する記事(1件)
- Voicebox Review: Open-Source Local Voice Studio更新日 2026年10月26日
その他の言及:
- Univocal Review: Read-Aloud and Dictation on Your Mac更新日 2026年11月16日
XTTS v2
- 対応OS:
- macOS、Windows、Linux
- 価格/ライセンス:
- 無料/CPML
- 主な違い:
- ライブラリとして使う単一のクローンモデル。スタジオ、音楽、エージェント機能なし
XTTS v2に関する記事(9件)
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of Audio更新日 2026年9月5日
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)更新日 2026年11月19日
- Local ElevenLabs Alternatives: Piper vs XTTS v2 (2026)更新日 2026年11月19日
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)更新日 2026年11月19日
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple Silicon更新日 2026年9月11日
- Best Local TTS Engine for Raspberry Pi (2026)更新日 2026年9月11日
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM Setup更新日 2026年9月11日
- Piper vs Chatterbox TTS (2026): Fast Local Speech or Voice Cloning?更新日 2026年9月11日
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?更新日 2026年9月11日
さらに6件(非表示)
Coqui TTS
- 対応OS:
- macOS、Windows、Linux
- 価格/ライセンス:
- 無料/MPL 2.0
- 主な違い:
- 音声合成モデルをコードから実行するPythonツールキットで、デスクトップスタジオではない
Coqui TTSに関する記事(6件)
- Coqui TTS Review: The Community-Maintained Voice-Cloning Toolkit更新日 2026年9月5日
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)更新日 2026年11月19日
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice Agents更新日 2026年11月13日
- Best Local TTS Engine for Raspberry Pi (2026)更新日 2026年9月11日
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and Speech更新日 2026年9月6日
- XTTS v2 Review: Multilingual Voice Cloning from 6 Seconds of Audio更新日 2026年9月5日
その他の言及:
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)更新日 2026年11月19日
- Build a Fully Offline Voice Assistant in 2026: Whisper + LLM + Piper (Step-by-Step)更新日 2026年11月9日
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTS更新日 2026年9月19日
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple Silicon更新日 2026年9月11日
さらに3件(非表示)
Bark
- 対応OS:
- macOS、Windows、Linux
- 価格/ライセンス:
- 無料/MIT
- 主な違い:
- コードから使うテキストから音声へのモデル。レビューによれば独自の音声クローンなし
Barkに関する記事(7件)
- Bark TTS Review: Suno's MIT-Licensed Model for Laughter, Sighs, and Speech更新日 2026年9月6日
- Best Local TTS Engine for an NVIDIA GPU Setup (2026)更新日 2026年11月19日
- Local TTS & Voice Cloning Licenses 2026: Which Engines Allow Commercial Use (Piper, XTTS v2, F5-TTS, Coqui)更新日 2026年11月19日
- Local Voice & Speech Tools Compared (2026): Text-to-Speech, Speech-to-Text and Voice Agents更新日 2026年11月13日
- Best Local TTS Engine for Mac (2026): What Actually Uses Apple Silicon更新日 2026年9月11日
- Best TTS for Ollama (2026): Adding Voice Output to a Local LLM Setup更新日 2026年9月11日
- StyleTTS 2 Review: Columbia's MIT-Licensed Research Model for Natural Speech更新日 2026年9月6日
その他の言及:
- Open-LLM-VTuber Review: Self-Hosted Voice Chat with a Live2D Avatar更新日 2026年10月24日
- Willow Inference Server Review: Self-Hosted Whisper ASR and TTS更新日 2026年9月19日
- Piper vs Kokoro TTS (2026): Which Local Voice Engine Should You Use?更新日 2026年9月11日
さらに3件(非表示)
いずれもPromptQuorumのディレクトリにある同カテゴリのアプリです。各アプリの最新の価格、ライセンス、対応OSは、それぞれのページで確認してください。
よくある質問
スクリプトやAIエージェントから使えますか。
はい。CLIはデスクトップアプリなしで動作し、インストール可能なAgent SkillによってエージェントがCLI、エンジン、モデルを設定できます。サーバーとアプリ内のローカルAPIはOAuthログインではなく事前設定のBearerトークンを使い、ローカルAPIは同じコンピューターからのみ接続できます。
最初にどのモデルを使えばよいですか。
クイックスタートは、速いナレーションにはKokoro-82M、クローンにはVoxCPM2を勧めており、ドキュメントによればKokoroには内蔵音声があり、クローンはできません。出力品質は比較していません。
自分の言語に対応していますか。
表示言語は12ですが、音声はモデルによります。ドキュメントによれば、IndexTTS 2.5は中国語と英語に日本語、スペイン語、アラビア語を加え、XTTS v2は17言語、Audio8 TTS Realisticは11言語に対応します。いずれも試していません。
AIアシスタントを完全にローカルで動かせますか。
ドキュメントによれば、同じコンピューター上のOllamaやLM Studioに接続できます。ただし、大きなモデルのほうが編曲の出来が明らかに良く、小さなローカルモデルは形式チェックに失敗することがあるとも書かれています。
共有した楽曲にリファレンス音声は含まれますか。
いいえ。コミュニティ規約とアーキテクチャ文書によれば、共有パッケージにはそのバージョンの音声、歌詞、生成設定が含まれ、リファレンス音声は含まれません。公開前に人が各作品を審査し、共有した作品はアプリの設定から削除できます。
総評
YoVoiceは、若いながら活発に開発されているApache-2.0のツールで、自分のコンピューター上で音声を生成し、声をクローンし、AI音楽を作れます。CLIとMCPサーバーによってエージェントからも操作できます。オフラインに関する記述は独立した監査ではなくREADMEとドキュメントに基づき、リポジトリはまだ2か月で個人開発者の名義で公開されており、複数のモデルの重みは商用利用を禁じ、Mac版はApple siliconのみです。無料のローカルオーディオツールを求め、大きなモデルファイルをダウンロードできるクリエイターや開発者に向いています。実証された出力品質、モデルごとの商用利用の明確さ、検証済みのデータポリシーが必要な方は、試したうえで、先に各モデルのライセンスを読んでください。
情報源
- YoVoice公式サイト — 概要、対応プラットフォーム、ダウンロード。
- YoVoiceコミュニティ規約 — 共有ルール、声の同意、準拠法、保存されるデータ(2026年11月12日施行)。
- GitHubのYoVoice — README、Apache-2.0ライセンス、モデルライセンスの注記。
- YoVoiceリリース0.8.0 — バージョン、日付、インストーラーファイル。
- モデル選択ガイド — モデル、入力、言語、ファイルサイズ。
- AIサービスガイド — アシスタントのプロバイダー、キーの保存、制限事項。
- APIとMCPのガイド — サーバー、ローカルAPI、MCPツール。
- CLIガイド — CLIのインストールとバックエンド。
- アーキテクチャノート — プロセス、ネットワーク利用、データフォルダー。
- 変更履歴 — 0.8.0の変更点と未公開の修正。
