メインコンテンツへスキップ
PromptQuorum人のために設計。 AI向けに構造化。
ホーム/ローカルLLM活用
Voice, Speech & Multimodal

YoVoiceレビュー:ローカルの音声クローン・音楽スタジオ

·7分で読める 著 · PromptQuorum創設者 · オープンウェイト/オープンソースAIの発見エンジン

YoVoice(バージョン0.8.0)は、音声合成、声のクローン、AIによる楽曲生成、スコア作成をまとめたApache-2.0のデスクトップスタジオで、開発者によれば生成はお使いのコンピューター上でオフラインに実行されます。 CLI、ローカルHTTP API、エージェント向けMCPサーバーも付属しており、ここでの記述はすべて開発者の公式サイト、ドキュメント、GitHubリポジトリに基づきます。

重要なポイント

  • メンテナンス:メインブランチの最終更新は2026年11月17日、バージョン0.8.0の公開は2026年11月15日のため、放置プロジェクトの警告は該当しません。
  • 費用:Apache-2.0ライセンスで無料、有料プランは見つかりませんでした。ダウンロードできる多くのモデルの重みには独自の条件があります。
  • モデル:READMEによれば、音声・音楽・文字起こしのモデルはすべてアプリ内またはCLIでダウンロードします。
  • 対応プラットフォーム:macOS、Windows、Linux向けのインストーラーと、それぞれ単独のCLIアーカイブ。
  • 開発元:個人開発者のleemysw。企業の運営者情報(インプリント)は見つかりませんでした。

📍 一文で説明

YoVoiceは、テキストを音声にし、声をクローン・デザインし、ローカルモデルで楽曲やスコアを生成し、AIエージェントにCLI・API・MCPサーバーを提供するオープンソースのデスクトップスタジオです。

💬 簡潔に説明

ナレーションブースと小さな音楽スタジオを1つのプログラムにまとめたもので、作業はサブスクリプションサービスではなく手元のマシンで行われる、と考えてください。

📌補足: このレビューは、yovoice.leemysw.com、GitHubリポジトリ、そのドキュメントとリリースページに基づいており、確認日は2026年11月17日です。PromptQuorumはアプリをインストールも実行もしていないため、音声品質、音楽品質、速度は評価していません。

YoVoice(開発元の表記は「yovoice」)は、お使いのコンピューター上で動くモデルで音声を生成し、声をクローン・デザインし、楽曲やスコアを作るオープンソースのデスクトップスタジオです。AIエージェント向けにコマンドライン、HTTP API、MCPサーバーも備え、アプリ本体はApache-2.0ライセンスで無料です。このレビューは、公式サイト、GitHubリポジトリ、ドキュメント、リリースページに基づいており、確認日は2026年11月17日です。PromptQuorumはアプリを実際には試していません。

YoVoiceレビュー:ローカルの音声クローン・音楽スタジオ

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
macOSApple silicon向け.dmg、macOS 14以降:GitHub Releases
Windowsx64向けセットアップ.exe(CUDA 12.4/13.3版あり):GitHub Releases
Linuxx64向け.deb(Debian/Ubuntu)または.tar.gz:GitHub Releases
CLIOS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)

その他の言及:

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)

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)

その他の言及:

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)

その他の言及:

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。

ディレクトリで比較する

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

← ローカルLLM活用 に戻る

MCP