Style-Bert-VITS2は、Bert-VITS2に話し方のスタイル制御を足した日本語向けの音声合成ツールです。音声合成だけならCPUで動き、NVIDIA GPUのあるWindows機ならbatファイルのダブルクリックで学習環境まで整います。つまずきやすいのは、配布モデルをどこで探してどの規約で使えるか、CPUで遅いときに何をすればよいか、そして開発が止まり気味の今どこへ移るかの3点です。本記事は最新リリースv2.7.0（2025年8月24日）の公式README・ソースコードを読み、CPU推論の速度は実機で測ったうえで、導入から学習、モデル配布、ONNXによる高速化、商用利用の線引きまでを順に扱います。
まとめ
- 最新リリースはv2.7.0（2025-08-24）。それ以降のリリースは無く、devブランチの次期版v3.0.0は2025年12月7日のコミットを最後に止まっている。
pip install style-bert-vits2で入るのは2.5.0（2024年6月）で、ONNX推論を含まない。v2.7.0の機能を使うならGitHubのタグから入れる。- 配布モデルはHugging Face（公式はlitagin）とAivisHubで探せる。使う前に3ファイル（config.json・safetensors・style_vectors.npy）、JP-Extraか否か、モデルごとの規約を確かめる。
- CPUで遅いならONNXに変換する。CPUのみで測ると、6.4秒の音声の合成がPyTorchの24.8秒からONNXで6.1秒と約4倍速くなった。
- 商用利用はコード（AGPL-3.0）とモデル（JVNVはCC BY-SA 4.0、小春音アミ・あみたろはクレジット表記必須）を分けて判断する。
Style-Bert-VITS2の仕組み：Bert-VITS2との差分とJP-Extra
Bert-VITS2から変わった3点
ベースはfishaudioのBert-VITS2 v2.1とJapanese-Extraで、モデル構造は大きく変わっていません。公式READMEが挙げる構造上の差分は3点です。話者埋め込みを256次元のwespeaker-voxceleb-resnet34-LMに替えたこと、その埋め込みからベクトル量子化を外して全結合層にしたこと、学習時に作るstyle_vectors.npyでスタイルの強さを連続値で指定できるようにしたことです。ほかにbf16学習とsafetensors形式の採用も差分として挙がっています。
「WavLMベースの埋め込み」という説明を見かけますが、READMEが名指ししているのはwespeakerのモデルです。Style-Bert-VITS2の独自性は音質そのものより、スタイル制御と使い勝手にあります。
JP-Extraを選ぶ基準
JP-Extraはv2.0（2024年2月3日）で入った日本語特化の構成で、日本語だけを扱うなら基本はこちらを選びます。事前学習モデルも通常版（Style-Bert-VITS2-1.0-base）とJP-Extra版（Style-Bert-VITS2-2.0-base-JP-Extra）で分かれています。両者は構造が違うためマージできません。他人のモデルと混ぜる予定があるなら、相手がどちらで学習したかを先に確かめてください。配布モデルのconfig.jsonのversionが2.0-JP-Extraのように末尾にJP-Extraを持っていればJP-Extraです。
インストール：Windows・uv・pip・Google Colab
Windows版のzip展開とbatによる導入
GitやPythonを触らない場合は、リリースページのsbv2.zipを日本語や空白を含まないパスに展開します。GPU搭載機はInstall-Style-Bert-VITS2.bat、GPUが無ければInstall-Style-Bert-VITS2-CPU.batを実行すると、Python環境と依存ライブラリが入り、最後に音声合成エディターが起動します。デフォルトモデルも同時に落ちてくるので、学習しなくてもその場で合成を試せます。更新はUpdate-Style-Bert-VITS2.batですが、2.4.1未満からは更新できず、新しい場所へ入れ直してmodel_assetsとDataを移します。
uvによるリポジトリ版の導入
学習もコマンドで回したい場合、READMEはpipより速いuvでの導入を勧めています。Windowsの手順は次のとおりです。
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
git clone https://github.com/litagin02/Style-Bert-VITS2.git
cd Style-Bert-VITS2
uv venv venv
venv\Scripts\activate
uv pip install "torch<2.4" "torchaudio<2.4" --index-url https://download.pytorch.org/whl/cu118
uv pip install -r requirements.txt
python initialize.py最後のinitialize.pyが事前学習モデルとデフォルトモデルを取得します。抜かすと合成時にモデルが見つからずエラーになります。もう一つの落とし穴は、uvで作った仮想環境にはsetuptoolsが入らないことです。読み上げ処理のpyopenjtalkがimport pkg_resourcesを実行するため、No module named 'pkg_resources'で合成が止まります。2026年10月時点の最新setuptools 84.0.0にはpkg_resourcesが含まれておらず、uv pip install "setuptools<81"で80系を入れると解消しました。
pip版2.5.0の制約とv2.7.0の導入
アプリに合成を組み込むだけならPythonライブラリとして入れられますが、PyPIの最新は2.5.0（2024年6月2日）です。2.5.0のTTSModelにはONNX関連の引数が無く、次章以降のONNX推論はv2.7.0のソースにしかありません。v2.7.0をライブラリとして使うならタグを指定してGitHubから入れます。PyTorchはtorchエクストラで別扱いなので、学習や通常推論で使う場合はあわせて入れてください。
pip install "style-bert-vits2[torch] @ git+https://github.com/litagin02/[email protected]"ライブラリ版は推論専用で、学習・データセット作成・マージのWebUIは付いてきません。
Google Colabでの学習とノートブックの確認
GPUを持っていない場合、学習はリポジトリのcolab.ipynbで回せます。公式FAQは、Colabが動かないときはまず古いノートブックのコピーを使っていないか確かめるよう書いています。v2.6.1（2024年9月9日）にはColabのtorch関連エラーと、WebUIでのサブフォルダによるスタイル作成エラーの修正が含まれ、ノートブックの版がずれると同種のエラーが出ます。保存済みのコピーを使い回さず、毎回リポジトリから開き直してください。
音声合成を動かす：エディター・Python・APIサーバー
エディターの起動とスタイル指定
Editor.batまたはpython server_editor.py --inbrowserでエディターが起動します（--device cpuでCPUモード）。セリフ単位でモデル・スタイル・強さを切り替えて原稿を組め、アクセント調整やユーザー辞書への単語追加もこの画面で行えます。スタイルは学習時のstyle_vectors.npyに紐づき、既定では平均の「Neutral」だけが作られます。学習データを感情ごとのサブフォルダに分けておけば、v2.5.0以降はフォルダ名がそのままスタイルになります。感情別のスタイルを自動生成するなら、学習前に音声を2個以上のサブフォルダへ分けます。
Pythonによる音声合成とWAV保存
ライブラリ版での最小コードです。WAV保存に使うSciPyは別途pip install scipyで導入します。デフォルトモデルのjvnv-F1-jpをHugging Faceから取得し、「Happy」スタイルで合成してWAVに書き出します。v2.7.0をCPUで実行し、44.1kHz・16bitの音声が出ることを確認しました。
from pathlib import Path
from huggingface_hub import hf_hub_download
from scipy.io import wavfile
from style_bert_vits2.constants import Languages
from style_bert_vits2.nlp import bert_models
from style_bert_vits2.tts_model import TTSModel
bert_models.load_model(Languages.JP, "ku-nlp/deberta-v2-large-japanese-char-wwm")
bert_models.load_tokenizer(Languages.JP, "ku-nlp/deberta-v2-large-japanese-char-wwm")
files = [
"jvnv-F1-jp/jvnv-F1-jp_e160_s14000.safetensors",
"jvnv-F1-jp/config.json",
"jvnv-F1-jp/style_vectors.npy",
]
for f in files:
hf_hub_download("litagin/style_bert_vits2_jvnv", f, local_dir="model_assets")
root = Path("model_assets")
model = TTSModel(
model_path=root / files[0],
config_path=root / files[1],
style_vec_path=root / files[2],
device="cpu",
)
sr, audio = model.infer(text="本日のご案内を始めます。", style="Happy", style_weight=5.0)
wavfile.write("voice.wav", sr, audio)初回はBERT（約1.3GB）のダウンロードが入ります。スタイル名はモデルのconfig.jsonのstyle2idにあり、jvnv-F1-jpならNeutral・Angry・Disgust・Fear・Happy・Sad・Surpriseの7種です。話速はlength（大きいほどゆっくり）、抑揚はintonation_scaleで変えられます。
APIサーバーへのPOSTリクエストと入力制限
python server_fastapi.pyでAPIサーバーが起動し（GPUを使わないなら--cpu）、仕様は/docsで見られます。合成は/voiceにパラメータをクエリ文字列で渡します。GETも受け付けますが、サーバーはPOSTを使うよう警告を出します。
import requests
params = {
"text": "本日のご案内を始めます。",
"model_name": "jvnv-F1-jp",
"style": "Happy",
"style_weight": 5,
}
res = requests.post("http://127.0.0.1:5000/voice", params=params, timeout=120)
res.raise_for_status()
with open("voice.wav", "wb") as f:
f.write(res.content)最初につまずくのは文字数です。config.ymlのserver.limitが既定で100で、101文字を送るとHTTP 422（String should have at most 100 characters）が返ります。上限を外すなら-1にします。存在しないスタイル名もHTTP 422（style=Joy not found）になるので、先に/models/infoでスタイル名を確かめてください。CORSのserver.originsは初期値が全ドメイン許可です。外部に公開する場合は許可するオリジンを絞り、別途認証やネットワークのアクセス制限を設けます。CORSの設定だけでは、ブラウザ以外からのAPI呼び出しを制限できません。
学習：データ量・VRAM・ステップ数
学習データの音声分割と書き起こし
学習には2〜14秒程度に分けた音声と、その書き起こしが必要です。長い録音しかなければ、WebUIの「データセット作成」タブ（Dataset.bat）でスライスと自動書き起こしまで済みます。v2.7.0では書き起こしモデルにlitagin/anime-whisperを選べるようになりました。書き起こしでエラーが出るときはffmpegの導入状況を確認します。FAQはwinget install ffmpegを案内しています。読みの誤りは学習品質に直結するので、精度の高い外部の認識結果を持ち込む手もあります（文字起こしAPIの比較と選び方で各サービスの日本語精度と料金を比べています）。
VRAMとバッチサイズ
学習にはNVIDIA GPUが必須です。CHANGELOGのv2.2（2024年2月9日）は、JP-Extra使用時のVRAM使用量の目安をバッチサイズごとに次のように挙げています。既定のバッチサイズが4から2に下がったのもこの版です。
| バッチサイズ | VRAM使用量の目安 |
|---|---|
| 1 | 約6GB |
| 2（既定） | 約8GB |
| 3 | 約10GB |
| 4 | 約12GB |
VRAMから溢れると学習が極端に遅くなります。途中で速度が落ちたら、まずバッチサイズを下げてください。
必要なデータ量とステップ数
FAQは必要なデータ量もステップ数も「分かりません。試行錯誤してください」と書いたうえで、数分でも学習は成立するらしいこと、RVCでは「多くても45分くらいで十分」という説があることを参考に挙げています。ステップ数は2k〜3kで声質が似始め、5k〜15kで感情も含めて整ってくるのが目安です。保存済みのモデルを比べるならpython speech_mos.py -m モデル名で自然性スコアを出せますが、アクセントや抑揚は評価しない指標なので最後は耳で選びます。中断はコンソールを閉じるだけで、再開は同じモデル名で前処理を飛ばして「学習を開始する」を押します。
配布モデルの入手先と使う前の確認
配布モデルの入手先とファイル形式
Style-Bert-VITS2のモデルを探す場所は主に3つで、形式と規約の示され方が違います。
| 入手先 | 形式 | 規約の確認先 |
|---|---|---|
| Hugging Face（公式はlitagin） | safetensors・config.json・style_vectors.npy | 各リポジトリのライセンス欄・README |
| AivisHub | AIVMX（AivisSpeech用） | モデルページの利用規約 |
| BOOTH等の販売モデル | 出品者による | 商品ページの規約 |
公式配布は、JVNVコーパス由来のlitagin/style_bert_vits2_jvnv（F1・F2・M1・M2のJP-Extra版と旧版、CC BY-SA 4.0）、v2.5.0で加わったlitagin/sbv2_koharune_amiとlitagin/sbv2_amitaro、JP-Extraの事前学習モデルlitagin/Style-Bert-VITS2-2.0-base-JP-Extraです。第三者のモデルはHugging Faceで「style-bert-vits2」「sbv2」と検索すると見つかります。AivisHubはAivisSpeech向けの共有サイトで、公開審査を経る一般公開のほか、URLを知る人だけが使える限定公開も選べます。
使う前に確かめる3点
- ファイルが揃っているか：推論には
config.json・*.safetensors・style_vectors.npyの3つが要り、model_assets/モデル名/に置けば読み込まれる。style_vectors.npyが無いとモデルの読み込みに失敗する。 - JP-Extraか：
config.jsonのversionで判別する。手元のモデルとマージするなら構成を揃える。 - 規約：モデルの規約はリポジトリのライセンスと別に付いてくる。商用可か、クレジット表記の要否、禁止用途、マージの可否を配布元で読む。
AivisHubのAIVMXはStyle-Bert-VITS2のエディターでそのまま読む前提の形式ではありません。AivisSpeechで使うためのファイルです。
自作モデルを配布するとき
共有に必要なのも同じ3ファイルです。AivisSpeechの利用者に渡すならAIVMX形式にします（次章）。マージで作ったモデルは元モデルの規約を引き継ぐことがあります。あみたろ系はマージ相手の声の権利者が許諾している場合に限ってマージでき、あみたろの声の特徴が残る割合（25%以上）なら、マージ後のモデルにもあみたろの声素材工房の規約が適用されます。
ONNX変換によるCPU推論の高速化と実測比較
学習済みモデルのONNX・AIVMX変換
v2.7.0で、WebUIの「ONNX変換」タブ（ConvertONNX.bat）またはコマンドで、学習済みのsafetensorsをONNXに変換できるようになりました。--aivmxを付けると、AivisSpeech用のAIVMXファイルも同時に作ります（要pip install aivmlib）。
python convert_onnx.py --model model_assets/jvnv-F1-jp/jvnv-F1-jp_e160_s14000.safetensors --aivmx変換は重い処理です。CPUのみの環境（下の計測と同じ機材）では、エクスポートに約6分、onnxsimによる最適化を含めた全体で19分17秒かかりました。出力はONNX・AIVMXとも約249MBで、元のsafetensors（約251MB）とほぼ同じ大きさです。変換時のBERTはリポジトリのbert/から読み込まれるので、先にinitialize.pyで取得しておきます。ONNXという形式の仕組みはONNXとは？.onnxファイルの中身・変換・ONNX Runtimeでの推論で扱っています。
CPUで測ったPyTorchとONNXの差
v2.7.0のTTSModelは、モデルのパスが.onnxならONNX Runtimeで推論します。BERTもONNX版を読み、実行先はonnx_providersで選びます。次の例は、前掲のPythonコードのBERT読み込みとモデル構築を置き換える部分です。Path・Languages・TTSModelのimportを残し、構築後に同じmodel.inferとWAV保存処理を実行します。
from style_bert_vits2.nlp import onnx_bert_models
repo = "tsukumijima/deberta-v2-large-japanese-char-wwm-onnx"
onnx_bert_models.load_model(Languages.JP, repo)
onnx_bert_models.load_tokenizer(Languages.JP, repo)
model = TTSModel(
model_path=Path("model_assets/jvnv-F1-jp/jvnv-F1-jp_e160_s14000.onnx"),
config_path=Path("model_assets/jvnv-F1-jp/config.json"),
style_vec_path=Path("model_assets/jvnv-F1-jp/style_vectors.npy"),
onnx_providers=["CPUExecutionProvider"],
)同じモデル（jvnv-F1-jp）と同じ41文字の文で、GPUを使わずに合成時間を測りました。2026年10月15日、Intel Core i9-9880H（8コア）・メモリ16GBの機材で、torch 2.2.2とonnxruntime 1.23.2を使い、ウォームアップの1回を除いた5回の中央値を取っています。
| 推論方式 | 合成時間 | 音声の長さ | 実時間比 |
|---|---|---|---|
| PyTorch（safetensors・8スレッド） | 24.82秒 | 6.41秒 | 3.87 |
| ONNX（CPUExecutionProvider） | 6.10秒 | 6.42秒 | 0.95 |
ONNXは約4倍速く、CPUでも音声の長さより短い時間で合成できました。ただし条件の違いが1つあります。ONNX側のBERTは公式が既定にしているfp16版（model_fp16.onnx）で、PyTorch側はfp32のまま動かしています。演算精度も異なるため、この計測だけではONNX化と精度変更の寄与を分離できません。ONNXは5回とも5.9〜6.3秒に収まった一方、PyTorchは別の計測回で1回だけ10.3秒まで縮むことがあり、負荷によるぶれが大きく出ました。OMP_NUM_THREADS=4でスレッド数を半分にすると37.4秒に延びたので、今回の環境では既定の8スレッドを採用しました。別のCPUや同時実行数では、スレッド数を変えて測り直してください。計測機はmacOSで公式の動作確認対象外、計測中は別の処理も動いていた（load average 4〜6）ため、合成時間と約4倍という比率のどちらも、この条件での参考値です。
ONNXを選ばない場面
NVIDIA GPUがあるなら、まずPyTorchのままGPUで動かすのが手間の少ない選択です。ONNXでは推論時のヌルモデル指定が無視されるとソースに明記されているので、ヌルモデルで囁き声などを足している構成ではONNXに移せません。マージや学習もsafetensors側で行います。ONNXが効くのは、GPUの無いサーバーで常時合成する場合と、AivisSpeechへ持ち出す場合です。どちらの場合も、APIサーバー側でモデルを常駐させてロードを繰り返さないことが前提になります。
後継はあるか：v3.0.0開発版とAivisSpeech
本家の開発状況
GitHubのリリースはv2.7.0が最後です。devブランチでは2025年11月30日に「initial commit for ver 3.0.0」が入り、12月7日の「WIP: v3.0.0 JP-only refactoring」を最後に更新が止まっています。v3.0.0の移行文書によると、v3は中国語・英語を外した日本語専用になり、モデル構造はJP-Extraだけが残ります。JP-Extraでない旧来の多言語モデルは使えなくなり、既存のJP-Extraモデルは変換せず読み込める設計です。scripts/convert_model_v3.pyによる新形式への変換は推奨ですが、必須ではありません。開発中のTODOでは、ONNXの推論はサポートしない方針とされています。現時点で使えるのはv2.7.0で、v3を待って導入を遅らせる理由はありません。v3で合成できるのはJP-Extraだけになるので、これから学習するモデルはJP-Extraで作っておくのが安全です。
AivisSpeechへのモデル移行と対応環境
実質の受け皿はAivis ProjectのAivisSpeechです。AivisSpeechはStyle-Bert-VITS2とJP-Extraのアーキテクチャに対応し、モデル形式としてAIVM（メタデータ付きsafetensors）とAIVMX（メタデータ付きONNX）を定めています。音声合成エンジンのAivisSpeech Engineが読むのはAIVMXだけです。変換は前章の--aivmxのほか、ブラウザで動くAIVM Generatorでもできます。AivisSpeech Engineは1.2.0が2026年4月30日に出ています。一方、アプリ本体のGitHubでLatest表示の非プレリリース版は1.0.0（2024年11月）ですが、公式は多数の不具合を理由に1.1.0以降への更新を推奨しています。その1.1.0は正式版が出ておらず、番号付きのプレビュー版は2025年4月のpreview.4が最後です。対応OSはWindows 10（22H2以降）・Windows 11・macOS 13以降です。
別のOSS TTSへ移る判断
学習済みモデルを活かしたいならAivisSpeechへの持ち出しが近道です。少量の参照音声から別の声を作りたい、英語や中国語も読ませたいなら、別系統に移るほうが早くなります。参照音声から声を作るゼロショット型はGPT-SoVITSやIrodori-TTSが該当し、手順はGPT-SoVITSの使い方｜日本語での導入手順とV5・v2ProPlusの選び方とIrodori-TTSの使い方｜v4-Largeとv4.1の違い・絵文字一覧・商用利用で扱っています。クラウドAPIを含めた方式の選び方は音声合成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にまとめています。
商用利用におけるコードとモデルのライセンス条件
コード：AGPL-3.0の影響範囲
リポジトリのライセンスは元のBert-VITS2と同じAGPL-3.0で、VOICEVOXエンジン由来のuser_dictモジュールだけがLGPL-3.0です。AGPL-3.0は、改変したコードをネットワーク越しのサービスとして提供する場合にも、利用者へソースを提供する義務が生じます。自社サービスの裏でAPIサーバーとして動かす構成はこの条項にかかり得ます。社内利用でも改変版へのネットワーク経由の利用には第13条の確認が必要です。対象となる利用者へのソース提供義務に対応できない構成は避け、商用サービスに載せる前に法務確認を通してください。音声認識・合成を業務システムに組み込む相談はAI音声認識システム開発でも受け付けています。
モデル：規約はコードと別に付いてくる
リポジトリ自体はモデルを含まず、デフォルトモデルの条件はTERMS_OF_USE.mdに別途書かれています。
| モデル | 由来 | 条件 |
|---|---|---|
| jvnv-F1-jpほか3種 | JVNVコーパス | CC BY-SA 4.0を継承 |
| koharune-ami・amitaro | あみたろの声素材工房 | 商用可・クレジット表記必須 |
小春音アミ・あみたろは、生成音声を公開するとき媒体を問わず「Style-BertVITS2モデル: 小春音アミ、あみたろの声素材工房 (https://amitaro.net/)」のようなクレジット表記が必要です。年齢制限のある作品、新興宗教・政治に深く関わる用途、生成音声をあみたろ本人やほかの人の声として扱う行為は禁止されています。JVNV由来のモデルはCC BY-SA 4.0なので、改変して再配布するなら同じライセンスで出す必要があります。同じ文書の「やってほしくないこと」（政治利用、なりすまし・ディープフェイク等）は、2024年6月14日の改訂で拘束力のない「お願い」に位置づけ直されました。拘束力を持つのはリポジトリのライセンスとモデルごとの規約です。
起動しない・失敗するときの切り分け
以下は症状ごとに最初に確認する代表的な原因です。同じ症状が別の原因でも起こるため、エラーログと照合して判断してください。
- 書き起こしでエラー：ffmpeg未導入。Windowsなら
winget install ffmpeg。 ModuleNotFoundError: No module named '_socket'：インストール後にフォルダ名を変えた。元の名前に戻す。No module named 'pkg_resources'：uvの仮想環境にsetuptoolsが無い。uv pip install "setuptools<81"。- 起動しない：展開先のパスに日本語や空白が入っている。英数字だけのパスへ入れ直す。
- Colabで学習が動かない：古いノートブックのコピーを使っている。リポジトリから開き直す。
- 学習が異常に遅い：VRAMから溢れている。バッチサイズを下げる。
- APIがHTTP 422を返す：100文字超か、存在しないスタイル名。
server.limitと/models/infoを確かめる。
当てはまらないエラーはGitHubのIssueを検索するのが早道です。個人開発のプロジェクトなので、環境依存の問題は自力で切り分ける前提で採用を決めてください。
よくある質問
Style-Bert-VITS2は商用利用できますか？
コードとモデルを分けて判断します。コードはAGPL-3.0で、改変してネットワークサービスとして提供する場合はソース公開義務が生じ得ます。モデルはJVNV由来がCC BY-SA 4.0、小春音アミ・あみたろは商用可ですがクレジット表記が必須です。配布モデルや自作モデルは、配布元と学習データの権利者が定める条件に従います。
GPUがなくても使えますか？
音声合成とマージはCPUだけで動き、Windows用にはCPU版のインストーラーもあります。学習にはNVIDIA GPUが必須なので、GPUが無ければGoogle Colabで学習します。CPUでの合成が遅い場合はONNXに変換すると速くなり、本記事の計測では約4倍でした。
Macで使えますか？
公式の動作確認環境はWindows・WSL2・Linux（Ubuntu Desktop）で、macOSは含まれていません。2026年10月15日の計測に使ったIntel Mac（CPUのみ）では、ライブラリとしての合成とONNX変換は動作し、APIサーバーは読み上げ処理のワーカーとの接続が切れて合成に失敗しました。macOSでは既定ポートの5000もAirPlayレシーバーが使っています。Macで手軽に使いたいなら、macOS 13以降に対応したAivisSpeechが現実的です。
Style-Bert-VITS2の後継はありますか？
リポジトリを引き継ぐ後継版は出ていません。最新はv2.7.0（2025年8月24日）で、devブランチの日本語専用版v3.0.0は2025年12月以降更新されていません。学習したモデルはONNX変換でAIVMXにしてAivisSpeechへ持ち出せます。別系統へ移るならGPT-SoVITSやIrodori-TTSが候補です。
最新のモデルや最新版はどれですか？
ツール本体の最新はGitHubのv2.7.0ですが、pip install style-bert-vits2では2.5.0が入る点に注意してください。公式のデフォルトモデルはJVNVの4話者（JP-Extra版）と、v2.5.0で加わった小春音アミ・あみたろで、いずれもHugging Faceのlitaginから取得できます。
