#ローカルAI

Flow MatchingベースのローカルTTS「Irodori-TTS」をWindows + RTX 3050 Ti Laptop（VRAM 4GB）で実行。通常のTTS生成とボイスクローンの音声サンプル、所要時間、MP3のお手本でFFmpegのDLLエラーが出る問題の回避策をまとめた。

KhalaをGitHubと論文から確認した。64層RVQの音響トークン、Backbone＋Super-resolutionの二段構成、約52GBのモデル、24GB VRAM推奨、tags/naturalで投げる生成リクエスト、現行リリースの品質不安定告知まで。

VoxCPM2のtokenizer-free方式を起点に、F5-TTSやCosyVoice2など7モデルの方向の違い、Irodori-TTSやStyle-Bert-VITS2など日本語特化TTSの位置づけ、台本+OpenJTalkで音素を作る学習データの仕組み、ボイスクローン悪用リスクまでを整理した。

fspecii/ace-step-uiを調べた。ACE-Step 1.5本体のGradio UIではなく、React/Express/SQLiteでライブラリ、プレイヤー、編集、Stem分離まで載せたローカル音楽生成UI。MacではMLX+MPS構成になり、メモリやLoRAに制約がある。

ACE-Step V1.5がリリースされた。LM+DiTのハイブリッド構成、50言語対応、4GB VRAMで動作など、V1.0から大幅に進化している。

音楽版Stable Diffusionを目指すACE-Stepについて、M1 Maxで試す前の下調べとしてまとめた。アーキテクチャ、機能、インストール手順など。