--- title: "GPT-SoVITSの使い方｜日本語での導入手順とV5・v2ProPlusの選び方【2026年版】" url: "https://www.issoh.co.jp/tech/details/10320/" published: 2025-12-18 updated: 2026-10-14 categories: ["AI"] publisher: "株式会社一創" --- # GPT-SoVITSの使い方｜日本語での導入手順とV5・v2ProPlusの選び方【2026年版】 **GPT-SoVITS**は、短い参照音声から話者の声を写し取って任意の文章を読み上げる、オープンソースの音声合成（TTS）WebUIです。開発元はRVC-Bossで、コードも事前学習モデルもMITライセンスで公開されています。2026年10月5日には新しい版の**V5**が公開されました。この記事では2026年10月14日時点の[公式リポジトリ（RVC-Boss/GPT-SoVITS）](https://github.com/RVC-Boss/GPT-SoVITS)のREADME・更新履歴・ソースコードを一次情報として、Windowsでの導入からWebUIの日本語化、ゼロショット推論、1分程度の音声での学習、APIでの組み込みまでを順に説明します。V5・v2ProPlus・v4のどれを選べばよいかも、公式のベンチマークとコードの既定値をもとに判断できるようにしました。 ## まとめ：GPT-SoVITSの使い方と版選びの要点 - できることは2つ。学習なしで参照音声の声を写す**ゼロショットTTS**と、1分程度の音声で追加学習する**数ショットTTS**です。対応言語は日本語・英語・中国語・韓国語・広東語で、言語をまたいだ合成もできます。 - 2026年10月5日に**V5**（v5devとv5turboの2種類）が出ました。リリースタグは付いておらず、mainブランチと、Windows統合パッケージ`GPT-SoVITS-v5-20261005.7z`で入手します。最後のリリースタグは今も20250606v2pro（2025年6月6日）です。 - **学習せずに使うならV5のv5turbo**を選びます。公式の中国語ゼロショット評価では、声の類似度（SIM）がv5turbo（4ステップ）で0.782、v2ProPlusで0.737、v4で0.735です。v5devは0.805ですが、作者はベンチマークと研究用で一般向けではないとしています。日本語での評価値はまだ公表されていません。 - **自分の録音で微調整するなら、並の音質はv2ProPlus、スタジオ品質はv4**を選びます。V5を使った微調整は作者もまだ検証しておらず、v4を微調整すれば声の類似度はV5と大差ないと公式wikiに書かれています。 - Windowsは統合パッケージ（7z）を展開して`go-webui.bat`を実行します。起動用バッチは中国語UIを指定しているため、**日本語表示にするには引数を`ja_JP`へ書き換えます**。 - 推論WebUIで参照テキストを使う通常の推論では、参照音声を**3〜10秒**に収めます。READMEの「5秒」は目安で、範囲外の音声はエラーになります。 - アプリへの組み込みは`api_v2.py`（既定ポート9880）の`/tts`を呼びます。GPTモデルを`s1v3.ckpt`、SoVITSモデルをV5の重みに切り替えれば、APIからもV5で合成できます。 - MITライセンスはコードと重みの話です。**他人の声を学習・公開してよいかは別問題**なので、業務では本人の同意を取った声を使います。 ## GPT-SoVITSとは：GPTとSoVITSの2段構成でできること 名前のとおり、2つのモデルを直列につないだ構成です。前段の**GPT（テキスト→意味トークン）**が、入力文と参照音声から話し方の流れを自己回帰で予測します。後段の**SoVITS（意味トークン→波形）**が、参照音声の声色を乗せて音声に戻します。学習でも2つを別々に回すため、WebUIには「SoVITS学習」と「GPT学習」のボタンが分かれて並びます。ChatGPTのGPTとは関係がなく、「Generative Pre-trained Transformer」という一般名詞としてのGPTです。 READMEに書かれた機能は次の4つです。 - ゼロショットTTS：5秒程度の音声サンプルから、学習なしで読み上げる - 数ショットTTS：1分の学習データで微調整し、声の類似度と自然さを上げる - クロスリンガル：学習データと別の言語でも推論できる（日本語・英語・中国語・韓国語・広東語） - WebUIツール：ボーカルと伴奏の分離、学習データの自動分割、多言語の音声認識（ASR）、書き起こしの校正 GitHubのスター数は2026年10月時点で約6.3万です。コードは2026年10月8日まで更新が続いています。 ## バージョンの選び方：V5とv2ProPlusの使い分けと版ごとの違い GPT-SoVITSは版ごとに事前学習モデルが分かれており、学習用WebUIの上部で版を選びます。2026年10月時点のmainで選べるのは、v2・v2Pro・v2ProPlus・v4・v5dev・v5turboの6つです。V5の公開に合わせて更新された[公式wikiの版比較（Latest-Including-v5）](https://github.com/RVC-Boss/GPT-SoVITS/wiki/GPT%E2%80%90SoVITS%E2%80%90features%28Latest%E2%80%90Including%E2%80%90v5%29)から、パラメータ数と、中国語のゼロショット評価セット（ByteDanceのSeedTTS評価セット）での作者による測定値を1つの表にまとめました。WERは読み間違いの率（低いほど良い）、SIMは声の類似度（高いほど良い）です。GTは評価セットの元の話者本人の録音です。 | 版 | 公開 | パラメータ数 | WER | SIM | 主な変更 | | -------------- | ---------- | -------- | ----- | ----- | ----------------- | | v1 | 2024年1月〜 | 90M+77M | 0.025 | 0.526 | 中日英の3言語 | | v2 | 2024年8月21日 | 90M+77M | 0.017 | 0.549 | 韓国語・広東語、話速調整 | | v3 | 2025年2月28日 | 330M+77M | 0.014 | 0.702 | ゼロショット類似度の向上 | | v4 | 2025年4月22日 | 330M+77M | 0.013 | 0.735 | v3の金属音を修正、48kHz出力 | | v2Pro | 2025年6月4日 | 133M+77M | 0.016 | 0.709 | v2並みの負荷でv3級の類似度 | | v2ProPlus | 2025年6月4日 | 152M+77M | 0.016 | 0.737 | v2Proより類似度を上積み | | v5turbo（4ステップ） | 2026年10月5日 | 330M+77M | 0.016 | 0.782 | v5devを4ステップに蒸留 | | v5dev（32ステップ） | 2026年10月5日 | 330M+77M | 0.017 | 0.805 | CFG 1.3・研究用 | | GT（本人） | – | – | 0.013 | 0.755 | 比較の基準 | V5はv4を土台に、SoVITS側の拡散モデルを同じ5千時間のデータで蒸留し直した版です。パラメータ数はv4と同じ330M+77Mで、**モデルの大きさを変えずに類似度だけが上がった**ことになります。wikiは推論速度をv2の約4倍としています。 読み方には注意があります。作者はwikiで、本人の録音（GT）を超えるSIMには意味がなく、0.75に切り詰めて比べてよいと書いています。この基準ではv5turboの0.782もv5devの0.805もGT超えなので、**devとturboの差は実用上の差とは読めません**。v2ProPlus（0.737）との差は、GTの範囲内に残る意味のある差です。数値は中国語の評価で、日本語の自然さや感情表現の優劣は測っていません。READMEの図には、事前学習中の上位版「v5pro」（SIM 0.824以上の見込み）も予告されています。 ### V5（v5dev・v5turbo）の新機能と2種類の違い [日本語版READMEのV5リリースノート](https://github.com/RVC-Boss/GPT-SoVITS/blob/main/docs/ja/README.md)が挙げる新機能は次の3つです。 - SoVITSを微調整しなくても、声の類似度が大きく上がる - 新しいボコーダーで、高い周波数帯に出るノイズ（スペクトルの折り返し）を大きく減らす - GPT側の推論を`cuda_graph`と`flash_attention`で高速化できる V5には**v5dev**と**v5turbo**の2つのモデルがあります。v5turboは、v5devをDMDという手法で4ステップ・CFGなしに蒸留した別の重みです。ソースコードの既定値も、v5devがサンプリングステップ32・CFG 1.30、v5turboがサンプリングステップ4・CFG 0です。作者はwikiで、v5devはベンチマークと事前学習モデルの研究用で、32ステップのCFG推論は一般の利用者には遅すぎるとし、**通常はv5turboで高速にゼロショット推論する**よう案内しています。GPT側の事前学習モデルはv2ProPlus・v4と同じ`s1v3.ckpt`で、出力は48kHzです。 ### V5・v2ProPlus・v4の使い分け 公式の整理では、v1・v2・v2Pro系が同じ性質、v3・v4が別の性質を持ちます。違いは「何に似せるか」です。v3・v4は参照音声に強く寄せ、v2系は学習データ全体の平均に寄せます。そのため**学習用の録音の音質が並程度なら、v3・v4では良い結果が出ない**と作者は明記しています。wikiはV5をv4と同じ拡散モデルの系統に分け、圧縮の強い音声、16kHz以下に欠けた帯域がある音声、残響や背景雑音の多い音声にはv2Pro系を勧めています。コード上もV5はv3・v4と同じグループで、SoVITSの学習はLoRA方式、参照テキストなしモードは使えません。 - v5turboを選ぶ：学習せず、参照音声だけで声を写したい。ゼロショットの類似度は全版で最も高い水準 - v4を選ぶ：スタジオ品質の録音で微調整する。wikiは、v4を微調整すれば類似度はV5と大差なく、V5を使った少量データの微調整はまだ研究も実験もしていないとしている - v2ProPlusを選ぶ：家庭での録音や配信の切り抜きなど、音質にばらつきのある素材で微調整する。VRAMが8GB程度しかない - v5devは選ばない：作者がベンチマークと研究用と位置づけている - v3は選ばない：v4がv3の金属的なノイズを直した上位互換と位置づけられている 公開直後の2026年10月11日には、日本語の単一話者で微調整したV5の声がv2ProPlusより不安定だという報告が[GitHubのIssue #2843](https://github.com/RVC-Boss/GPT-SoVITS/issues/2843)に上がりました。報告者は、GPT側の事前学習モデルを微調整したことが原因で、元の事前学習モデルでは目立った不安定さは無いとして解決扱いにしています。V5で微調整を試して結果が悪いときは、まずGPT側を元のモデルに戻して比べ、それでも駄目ならv4かv2ProPlusでの微調整に切り替えてください。 学習の既定値も版で変わります。SoVITSの学習エポック数は、v2系が既定8・上限25なのに対し、v3・v4・V5は既定2・上限16と低く抑えられています（ソースコードには「訓練しすぎは自滅」というコメントがあります）。 ### リリース版とmainブランチの差分 最後のリリースタグ20250606v2proから、mainブランチには93コミットが積まれています（2026年10月14日時点）。使い方に影響する変更は次のとおりです。 | 日付 | mainに入った変更 | | ----------- | ------------------------------------- | | 2025年11月28日 | ストリーミング推論 | | 2026年4月30日 | 推論WebUIの通常モードにCUDA Graph対応 | | 2026年6月20日 | ASRにFun-ASR-NanoとSenseVoiceを追加 | | 2026年8月28日 | GPU1枚でのSoVITS学習を高速化 | | 2026年10月5日 | GPT推論のCUDA Graph・Flash Attention対応、V5 | 8月28日の変更は、GPUが1枚のときに分散学習の仕組み（DDP）を使わないことで学習を速くするものです。V5のリリースノートは、更新手順で`cuda_graph_accel_v5`ブランチの取得を案内しています。ただし10月6日にV5の学習・推論のコードがmainにも統合されており、mainを取得すればV5を使えます。 ## インストール手順：Windows統合パッケージ・Linux・macOS READMEの動作確認済み環境は、Python 3.9〜3.12とPyTorch 2.2.2〜2.8.0開発版の組み合わせです（CUDA 11.8・12.4・12.8、Apple silicon、CPU）。2026年10月7日にPython 3.12とPyTorch 2.7.1の組み合わせが加わりました。CPUだけでも推論は動きます。学習はNVIDIA GPUを使う前提で読み進めてください。 ### Windows：統合パッケージを展開してgo-webui.batを実行 Windows 10以降なら、Pythonや依存ライブラリを同梱した統合パッケージが最短です。[Hugging Faceの配布リポジトリ（lj1995/GPT-SoVITS-windows-package）](https://huggingface.co/lj1995/GPT-SoVITS-windows-package/tree/main)から、GPUに合わせて1つを選びます。 | ファイル名 | サイズ | 対象 | | ------------------------------------- | ------- | --------------------- | | GPT-SoVITS-v5-20261005.7z | 約10.9GB | V5を使う（RTX 40以前） | | GPT-SoVITS-v5-20261005nvidia50x0.7z | 約10.6GB | V5を使う（RTX 50） | | GPT-SoVITS-v2pro-20250604.7z | 約8.2GB | v2ProPlusまで（RTX 40以前） | | GPT-SoVITS-v2pro-20250604-nvidia50.7z | 約8.8GB | v2ProPlusまで（RTX 50） | 1. 7-Zipなどで任意のフォルダへ展開する 2. 展開したフォルダの`go-webui.bat`をダブルクリックする 3. ブラウザが自動で開き、学習用WebUI（既定ポート9874）が表示される V5のパッケージは2026年10月5〜6日に配布リポジトリへ追加されました。`nvidia50x0`の付いた版は、従来の`nvidia50`版（リリースノートでRTX 50シリーズ向けと明記）と同じ系統の名前ですが、V5版にはリリースノートがまだありません。英語版と日本語版のREADMEのダウンロードリンクは、2026年10月時点でも2025年2月の`v3lora-20250228`を指したままです。新しいパッケージは配布リポジトリから直接取得します。 ### Linux・macOS：condaとinstall.shで導入 公式のスクリプトが、PyTorch・事前学習モデル・FFmpegまで一括で入れます。`--device`はLinuxなら`CU126`・`CU128`・`ROCM`・`CPU`、macOSなら`MPS`・`CPU`から選びます。 ``` git clone https://github.com/RVC-Boss/GPT-SoVITS.git cd GPT-SoVITS conda create -n GPTSoVits python=3.10 conda activate GPTSoVits # Linux・CUDA 12.8の例。macOSはCU128をMPSかCPUに変える bash install.sh --device CU128 --source HF --download-uvr5 python webui.py ja_JP ``` V5を使う場合は、[Hugging Faceのgsv-v5-pretrainedフォルダ](https://huggingface.co/lj1995/GPT-SoVITS/tree/main/gsv-v5-pretrained)にある3つのファイル（`s2Gv5dev.pth`・`s2Gv5turbo.pth`・`vocoder.pth`）を、フォルダ名ごと`GPT_SoVITS/pretrained_models/gsv-v5-pretrained/`に置きます。READMEは、サブフォルダを保ったまま配置するよう指定しています。 macOSには注意書きがあります。MacのGPU（MPS）で学習したモデルは他の環境より明らかに品質が落ちるため、学習は当面CPUで行う、という内容です。Apple silicon搭載のMacでも推論は動きます（READMEではv2ProPlusをM4のCPUで動かしてRTF 0.526）。ただし学習まで手元で回すなら、NVIDIA GPUのあるWindows・Linux機かGoogle Colab（公式ノートブックあり）を使うほうが現実的です。 ### WebUIを日本語表示にする設定 起動したら画面が中国語だった、というのが最初につまずく点です。原因は起動スクリプトにあります。リリースタグ20250606v2pro時点でも2026年10月のmainでも、`go-webui.bat`と`go-webui.ps1`は`webui.py zh_CN`で起動するため、PCの言語設定にかかわらず中国語UIになります。 ``` rem go-webui.bat の最終行付近（変更前） runtime\python.exe -I webui.py zh_CN rem 変更後 runtime\python.exe -I webui.py ja_JP ``` 日本語の翻訳ファイル（`tools/i18n/locale/ja_JP.json`）は同梱されています。ただし未翻訳の項目もあり、タブ名の一部は中国語のまま残ります。V5の事前学習モデルを選ぶ項目もまだ訳されておらず、日本語表示でも「不训练直接推v5dev底模！」（学習せずにv5devの事前学習モデルで推論する、の意味）と中国語で表示されます。 ## ゼロショットTTSの使い方：参照音声1本で読み上げる手順 学習せずに事前学習モデルだけで読み上げる方法です。学習用WebUIの「1-GPT-SoVITS-TTS」→「1C-推理」から推論WebUI（既定ポート9872）を開きます。 1. GPTモデルとSoVITSモデルを選ぶ。学習前は事前学習モデルのままでよい。V5で試すならSoVITSモデルに「不训练直接推v5turbo底模！」を選ぶ 2. 参照音声をアップロードする。**3〜10秒**に収める（範囲外は「参照音声が3～10秒の範囲外です」のエラーで止まる） 3. 参照音声で話している内容を「参照テキスト」に正確に入力し、その言語を選ぶ 4. 読み上げたい文章と言語を入力する。日本語と英語が混ざる文は「多言語混合」を選ぶ 5. 文の切り方を選んで合成する。長文は句読点で切ると途切れにくい V5・v4を選ぶと「サンプリングステップ数」の項目が現れます。日本語表示のラベルは「V3/V4のみ有効」のままですが、V5にも効きます。ノイズが気になるときは増やし、遅いときは減らします。V5ではCFGの項目も表示されます（既定はv5devが1.30、v5turboが0）。 参照テキストを空欄にすると「参照テキストなしモード」になりますが、画面上でも微調整済みのGPTモデルと組み合わせるよう注意書きがあります。v3・v4・V5では参照テキストなしモードを使えません。事前学習モデルだけで試すなら参照テキストは必ず入れます。 ### 感情・話速・ピッチを調整する方法 感情を指定する専用のパラメータはありません。READMEのTodoでは感情制御の強化は取り消し線で消されており、「感情ごとに微調整したGPTモデルを用意する」方向が示されています。学習なしで試す場合は、**出したい感情で話している参照音声を選ぶ**方法があります。怒った口調の参照音声に差し替えて、生成音声の口調が変わるかを聞き比べます。wikiはv4・V5を参照音声により忠実な系統としているため、この方法を試すならv4・V5が向いています。感情ごとに参照音声を用意しておき、アプリ側で切り替える運用もできます。 話速は「話速」スライダー（APIでは`speed_factor`）で調整でき、高いほど速くなります。一方、**ピッチ（音高）を変える項目は推論WebUIにもAPIにもありません**。声の高さを変えたいときは、高さの違う参照音声に差し替えるか、生成後に音声編集ソフトで処理します。 ## ファインチューニングの手順：1分の音声で学習させる流れ ゼロショットで声が似ないときは、本人の音声で追加学習します。READMEでは最短1分の学習データから効果があるとしています。学習用WebUIのタブを左から順に使います。 1. **0a ボーカル分離（UVR5）**：BGMや残響が入った音声から声だけを取り出す。無音の環境で録った素材なら飛ばしてよい 2. **0b 音声の分割**：長い録音を無音区間で短いクリップに切る 3. **0c 音声認識（ASR）**：クリップを自動で書き起こす。mainでは日本語に対応したFun-ASR-Nano（推奨表示）とSenseVoiceが追加され、従来のFaster Whisperも選べる 4. **0d 書き起こしの校正**：校正用WebUI（既定ポート9871）で誤認識を直す。この精度が発音の正確さに直結する 5. **1A 学習データの整形**：実験名を付けて、テキストと音声の特徴量を一括で抽出する 6. **1B 微調整学習**：SoVITS学習→GPT学習の順に実行する。重みの保存先は版ごとに異なる。v2ProPlusでは`SoVITS_weights_v2ProPlus/`と`GPT_weights_v2ProPlus/`、v5turboでは`SoVITS_weights_v5turbo/`と`GPT_weights_v5turbo/`に保存される 7. **1C 推論**：学習したモデルを選び直してゼロショットと同じ手順で合成する 書き起こしのリストは「音声パス|話者名|言語|テキスト」の形式で、日本語は言語コード`ja`です。 ``` D:\GPT-SoVITS\dataset\myvoice_0001.wav|myvoice|ja|今日は良い天気ですね。 ``` バッチサイズの既定値はGPUのVRAMから自動で決まります。v2系は「VRAM（GB）÷2」、v3・v4・V5は「VRAM÷8」です。VRAM 8GBのGPUなら、v2ProPlusは4、V5は1から始まる計算です。v3・v4・V5のSoVITS学習はLoRA方式（既定ランク32）です。GPT学習の既定は15エポック（上限50）です。v3の学習に必要なVRAMは、更新履歴によると通常の微調整で14GB、勾配チェックポイントを使うと12GB、LoRA学習なら8GBです。学習中にメモリ不足で止まったら、まずバッチサイズを下げます。 ## APIで組み込む：api\_v2.pyのエンドポイントと呼び出し例 自作アプリやチャットボットから声を出すなら、同梱のFastAPIサーバー`api_v2.py`を使います。既定の待ち受けは`127.0.0.1:9880`で、読み込むモデルは設定ファイル`GPT_SoVITS/configs/tts_infer.yaml`で指定します。以下のcurl例はBash用です。 ``` python api_v2.py -a 127.0.0.1 -p 9880 -c GPT_SoVITS/configs/tts_infer.yaml ``` | エンドポイント | 用途 | | --------------------- | -------------- | | /tts | 音声合成（GET・POST） | | /set\_gpt\_weights | GPTモデルの切り替え | | /set\_sovits\_weights | SoVITSモデルの切り替え | | /set\_refer\_audio | 参照音声の設定 | | /control | サーバーの再起動・終了 | `/tts`の必須項目は、読み上げる文（`text`）とその言語（`text_lang`）、参照音声のパス（`ref_audio_path`）とその言語（`prompt_lang`）の4つです。成功するとWAVなどの音声がそのまま返ります。入力の不備や推論中の例外はHTTP 400でエラー内容のJSONが返りますが、ストリーミングで送信が始まった後の失敗はステータスコードに表れないため、音声の中身も確かめてください。`ref_audio_path`はAPIサーバーから見たパスです。v4・V5では参照テキスト（`prompt_text`）も省略できません。参照音声のパスと書き起こしは、自分の素材に置き換えてください。 ``` curl --fail -X POST http://127.0.0.1:9880/tts \ -H "Content-Type: application/json" \ -d '{"text": "本日の会議は午後三時からです。", "text_lang": "ja", "ref_audio_path": "ref/sample.wav", "prompt_text": "こんにちは、今日もよろしくお願いします。", "prompt_lang": "ja", "text_split_method": "cut5", "speed_factor": 1.0, "media_type": "wav"}' \ --output out.wav ``` 出力形式（`media_type`）は`wav`・`raw`・`ogg`・`aac`の4種類です。応答の待ち時間を縮めたいときは`streaming_mode`を指定します。mainの整数モードでは、1が品質優先で応答が最も遅く、3が応答速度優先です。リリースタグ20250606v2proでは真偽値による旧方式のストリーミングであり、2・3を使うには対応する新しいコードが必要です。v3・v4・V5はストリーミングに対応しておらず、指定すると自動で分割返却に切り替わります（2・3の速度設定は効きません）。サーバーを`0.0.0.0`で公開すると、認証なしで誰でも合成できる状態になります。社外に出すならリバースプロキシで認証をかけてください。 ### APIからV5で合成する設定 api\_v2.pyは、読み込んだSoVITSモデルのファイルから版を判定します。ただし同梱の`tts_infer.yaml`の既定（custom）はv2のGPTモデルを読み込む設定です。V5はv4と同じ`s1v3.ckpt`をGPTに使うため、起動後に`/set_gpt_weights`でGPTを、`/set_sovits_weights`でSoVITSを切り替えます。 ``` curl "http://127.0.0.1:9880/set_gpt_weights?weights_path=GPT_SoVITS/pretrained_models/s1v3.ckpt" curl "http://127.0.0.1:9880/set_sovits_weights?weights_path=GPT_SoVITS/pretrained_models/gsv-v5-pretrained/s2Gv5turbo.pth" ``` mainの`/tts`には、V5向けの`sample_steps`と`cfg_rate`が加わっています。省略すると、v5devは32ステップ・CFG 1.30、v5turboは4ステップ・CFG 0で動きます。GPT推論の高速化を切り替える`use_cuda_graph`は既定で有効です。リリースタグ版のapi\_v2.pyにはこれらの項目がありません。 ## よくあるエラーと品質トラブルの対処 - **「参照音声が3～10秒の範囲外です」**：参照音声の長さが範囲外。音声編集ソフトで3〜10秒に切り出す - **画面が中国語で表示される**：起動スクリプトの`zh_CN`を`ja_JP`に変える（前述） - **V5のモデルが一覧に出ない・読み込めない**：`gsv-v5-pretrained`フォルダを挟まずに重みを置いていないか確認する。`vocoder.pth`も同じフォルダに必要 - **RTX 50シリーズで起動しない・CUDAエラー**：通常版パッケージを使っていないか確認する。`nvidia50`（V5は`nvidia50x0`）版に入れ替えるか、`--device CU128`でインストールし直す - **学習中にCUDA out of memory**：バッチサイズを下げる。v4・V5はVRAM消費が大きいので、足りなければv2ProPlusに切り替える - **生成音声が無音になる**：2025年6月9日に修正された不具合（数値の発散による無音化）の可能性がある。v2Proの特徴量抽出でも6月11日に同種の修正が入っているので、古いコードなら最新に更新する - **読みが違う・イントネーションが不自然**：学習なしなら、参照テキストが参照音声の発話と一字一句合っているかを確かめる。微調整したモデルなら、学習データの書き起こしに誤りがないかを0dで見直す - **声が似ない**：まず参照音声の雑音や残響を確認する。UVR5で声を分離し、別の参照音声でも試す。学習なしで試しているならv5turboに切り替えて比べる ## GPT-SoVITSを使うべきでない場面：声の権利と他の選択肢 MITライセンスで保証されるのは、コードと事前学習モデルを商用も含めて自由に使えることだけです（再配布するときは著作権表示と許諾表示を残す必要があります）。**学習や参照に使う音声の権利までは許諾していません**。声優・配信者・著名人の声を無断で学習させて公開・販売する使い方は、パブリシティ権や不法行為が問われうる領域で、ツールが動くかどうかとは別の問題です。V5で学習なしの類似度が上がったぶん、数秒の音声だけで他人の声に近づけやすくなっています。業務で使うなら本人の同意を取り、学習に使った音声の出所と同意書を残しておきます。 要件によっては、GPT-SoVITS以外を選ぶべきです。 - **日本語の抑揚を細かく制御したい**：日本語に特化したStyle-Bert-VITS2のほうが向いている。ただしコードのライセンスはAGPL-3.0で、組み込み方に制約がある - **絵文字で感情を指定したい**：日本語特化で絵文字による感情指定を持つIrodori-TTSを検討する - **GPUを用意できない・運用したくない**：ElevenLabsなどのクラウドAPIを使う。学習サーバーの保守とセキュリティ対応が不要になる 方式ごとの費用と権利の比較は、[音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順](/tech/details/15361/)で整理しています。音声認識と合成を組み合わせた業務システムを作る場合は、[AI音声認識システム開発](/service/ai/speech%5Frec/)の支援もご相談いただけます。 ## よくある質問 ### GPT-SoVITSは日本語に対応していますか？ 対応しています。v1から日本語・英語・中国語に対応し、v2以降は韓国語と広東語も加わりました。WebUIの表示は、起動引数を`ja_JP`にすれば日本語になります。 ### GPT-SoVITSはMacで使えますか？ 使えます。`install.sh --device MPS`で導入でき、推論はApple siliconで動きます。ただしMacのGPUで学習したモデルは品質が落ちると公式に注意書きがあり、学習はCPUか、NVIDIA GPUのある環境で行うのが無難です。 ### GPT-SoVITSのAPIはありますか？ あります。同梱の`api_v2.py`を起動すると、`http://127.0.0.1:9880/tts`にPOSTするだけで音声を受け取れます。モデルの切り替え用エンドポイントもあり、GPTを`s1v3.ckpt`、SoVITSをV5の重みに切り替えればAPIからもV5で合成できます。 ### GPT-SoVITSのV5・v4・v2ProPlusはどれを使えばよいですか？ 学習せずに使うならV5のv5turboです。公式の中国語評価で声の類似度はv5turbo（4ステップ）が0.782、v2ProPlusが0.737、v4が0.735です。微調整するなら、並の音質の録音はv2ProPlus、スタジオ品質の録音はv4を選びます。V5での微調整は作者もまだ検証していません。 ### GPT-SoVITSは無料で商用利用できますか？ コードと事前学習モデルはMITライセンスで、商用利用も無料です。ただしMITライセンスは音声素材の権利までは許諾していないため、他人の声を使うなら本人の同意を取ってください。 ## 関連記事 - [音声合成AIの作り方｜OSS TTS・クラウドAPI・受託開発の方式選定と実装手順](/tech/details/15361/) - [Style-Bert-VITS2の使い方 – インストール・学習・商用利用まで（v2.7.0）](/tech/details/10818/) - [Irodori-TTSとは？v4.1の使い方・絵文字一覧・商用利用とv3からの変更点](/tech/details/12221/) - [ディープフェイク詐欺とは？BEC・音声クローンの手口と実装者向けの検知・防御を解説](/tech/details/13610/) - [ElevenLabs（イレブンラボ）とは？料金6プランと無料版の商用制限・使い方【2026年9月】](/tech/details/10883/) --- 出典: [GPT-SoVITSの使い方｜日本語での導入手順とV5・v2ProPlusの選び方【2026年版】]()（株式会社一創）