Style-Bert-VITS2（SBV2）とは：CPU動作・API・ASMR用途を比較

Style-Bert-VITS2（SBV2）は、固定したキャラクター音声を自分のPCで何度も生成したい場合に向く日本語TTS、つまり文字を音声へ変換する制作環境です。2026年7月23日時点の公式READMEでは、最新版はv2.7.0。音声合成だけならGPUなしのCPUでも動き、Windows向けの導入用ファイル、音声合成Editor、APIサーバーも用意されています。

ただし、SBV2が全ローカルTTSの中で最も軽いとは断定できません。同一PC、同一文章、同一測定条件で比べた実測値がないためです。確認できるのは、完成済みの音声モデルをローカルで使い、同じ声を反復生成し、必要なら別の制作ツールからAPIで呼び出せることです。

SBV2を知らないと何を見落とす？

SBV2を知らないままAI音声を選ぶと、選択肢が「クラウドで高品質なTTS」か「声質再現・クローン寄りのTTS」に偏りやすくなります。その結果、ローカル常駐で完成済みキャラボイスを軽く回すTTSという選択肢が、比較表から抜け落ちます。

これは流行に乗り遅れるという話ではありません。制作工程の設計に関わる話です。ASMRでは、台本を少し直して再生成し、聴いて、また直す作業が続きます。そこにCPU音声合成、API連携、外部サービスへ声や台本を送らない運用が必要なら、SBV2は比較から外せません。

ASMRでは何度も生成できることが重要

ASMR制作では、1回だけ高品質な音声を出せれば終わりではありません。台詞を短くし、間を変え、左右の位置を変え、ささやきの強さを調整し、何度も聞き直します。

この工程で重いTTSを使うと、生成待ちが長くなり、制作者の判断が鈍ります。GPUが止まる、メモリ不足で落ちる、起動が面倒になる。この時点で、作品作りの手が止まる。

ASMR用TTSで重要なのは、最高スコアのベンチマークではなく、次の条件です。

条件	ASMR制作での意味
CPU音声合成	GPUなしでも仮声生成や修正確認を続けられる
声質固定	同じキャラクターの声を崩さず台本を作り込める
スタイル制御	ささやき、落ち着き、親密さの方向を調整しやすい
ローカル運用	台本、未公開設定、声素材を外部サービスへ送らずに済む
API連携	他アプリから音声生成を呼び出しやすい

SBV2は、このうちCPU音声合成、声質固定、スタイル制御、ローカル運用、API連携を公式情報上で確認できます。

SBV2で公式に確認できることは？

Style-Bert-VITS2の公式READMEでは、音声合成のみならGPUなしでもCPUで動作すると説明されています。さらに、GPUがない場合でもCPU版インストーラーがあり、CPU版では学習はできないものの、音声合成とマージは可能とされています。

これはAI ASMR制作の判断材料になります。最初から学習、つまり自分専用モデルを作る工程までやらなくても、配布モデルを使って台本の仮声、短い案内音声、キャラクターの方向性確認を進められるためです。

公式README上で確認できる制作上の特徴は次の通りです。

確認できる要素	どう効くか
CPUで音声合成できる	GPUが弱い環境でも試せる
CPU版で音声合成とマージが可能	GPUがない環境にも運用経路を残せる
音声合成エディターがある	台詞ごとの調整、保存、読み込みがしやすい
APIサーバーが同梱されている	将来的に制作ツールや台本管理と連携しやすい
スタイルベクトルで発話スタイルを扱える	ささやき、落ち着き、感情差の演出に使いやすい

特にASMRでは、声の近さ、息の量、テンポ、無音の入れ方が作品の質を決めます。SBV2は「長い文章を一括で出す」より、短い台詞を何度も生成して、編集ソフトで間を作る運用で検討しやすいTTSです。

導入とモデル配置は実践ガイドで確認できる

Windowsで実際に始める手順は、ShizukaLabのStyle-Bert-VITS2の使い方が分かりやすくまとまっています。公式ZIPの展開、3ファイルのモデル配置、最初の音声生成からEditor、API、ONNX、症状別の対処まで、作業する順番で確認できます。

先にSBV2を選ぶ条件と他方式との違いを確かめ、手を動かす段階で実践ガイドへ進む。バージョンや規約の最終確認はStyle-Bert-VITS2公式リポジトリへ戻る。この順番なら、比較だけで止まらず、古い手順を鵜呑みにすることも避けられます。

GPT-SoVITSとは何が違う？

GPT-SoVITSは強力です。公式READMEでも、5秒の音声サンプルによるZero-shot TTS、つまり追加学習なしで参照音声に寄せる音声合成や、1分程度のデータによるFew-shot TTS、つまり少量データでの調整を特徴として挙げています。CPU環境のテスト記載もあり、CPU最適化版への導線もあります。

ASMR制作で比較すると、違いは目的に出ます。

観点	SBV2	GPT-SoVITS
得意な方向	固定キャラ声で何度も生成する	参照音声から声を寄せる、少量データで作る
CPU運用	公式READMEでCPU音声合成を明記	CPU環境記載はあるが、機能範囲が広い
制作の入口	配布済みSBV2モデルを使いやすい	参照音声やモデル準備の設計が重要
ASMR制作で見たい点	反復、声質固定、スタイル調整	声再現や多機能WebUI

GPT-SoVITSを下げる比較ではありません。声の再現や変換を中心にするなら、GPT-SoVITSは有力な候補です。一方、AI ASMRで「同じキャラクターの台詞を大量に試し、軽く回し、編集で詰める」なら、SBV2も比較対象に入ります。

ElevenLabsとは何が違う？

ElevenLabsは高品質なクラウドTTSとして有力です。公式APIでは、https://api.elevenlabs.io/v1/text-to-speech/:voice_id にテキストを送って音声を返す形が示されています。導入は楽で、Webアプリや配信ツールから外部APIとして呼び出しやすい。

一方で、クラウドAPI型には前提があります。APIキー、インターネット接続、利用量管理、外部サービスへの送信です。ElevenLabsのサブスクリプションAPIにも、文字数の利用量や上限にあたる character_count と character_limit が出てきます。つまり、大量に台本を試す制作では、コストと送信先の管理が制作設計に入ります。

SBV2は別の軸です。ローカル常駐、つまり自分のPC上で音声エンジンを起動し、台本や声素材を外部サービスへ送らずに生成できます。

観点	SBV2	ElevenLabs
実行場所	ローカルPC	クラウドAPI
導入の楽さ	環境構築が必要	アカウントとAPIで始めやすい
品質	モデル次第	高品質なクラウド音声が強み
反復生成	ローカル負荷内なら回しやすい	利用量・課金・通信に依存
秘匿性	台本や声素材を外部送信しにくい	API送信が前提
オフライン運用	可能な構成にしやすい	通常のAPI利用では不可

ASMR作品は、未公開台本、キャラクター設定、声素材、販売前の音声を扱います。そこを外へ出さずに済むことは、単なる技術趣味ではなく制作上の安全性です。

F5-TTSやCosyVoiceと比べると？

F5-TTSやCosyVoiceは、近年のローカルTTSとして非常に重要です。F5-TTSはpipパッケージとして推論利用でき、DockerやGPU向け実行例、Triton/TensorRT-LLMのような高速配信向けの導線もあります。CosyVoiceは300Mから0.5B級のモデルや、ゼロショット、多言語、ストリーミングなどを前面に出しています。

一方、ASMR作品を個人で作る場合、サーバー配信や大規模デプロイ、つまり本番サーバーに載せて多数の利用者へ同時提供する仕組みは、最初の目的ではありません。必要なのは、手元のPCで声を出し、台本を直し、聴感を詰めることです。

観点	SBV2	F5-TTS / CosyVoice系
作品制作用の入口	Windows導入とCPU音声合成の公式導線がある	高性能だがモデル・環境設計を考える必要がある
商用ASMRの注意点	モデル規約を個別確認	事前学習モデルのライセンス確認が重要
導入のわかりやすさ	Windows向けzip/CPU版導線あり	Python、Docker、モデル選択の理解が必要
向く制作者	個人でASMR台本を何度も生成する人	研究、高性能音声生成、配信基盤を触れる人

この比較で見るべきなのは、研究ベンチマーク上の勝敗ではありません。ASMR制作者が今日から手元で回すときに、どの条件を優先するかです。

Live2D、VRM、ゲーム連携では何が判断材料になる？

SBV2はASMR作品だけでなく、常駐TTSとしても使いやすい立ち位置です。公式READMEではAPIサーバーも同梱されていると説明されています。APIとは、別のアプリが「この文章を読んで」と依頼するための接続口です。

この性質は、次の用途と接点があります。

用途	SBV2を使う意味
AITuber	LLMの返答をローカル音声として読み上げる
Live2Dキャラ	キャラクターの口パク・表情制御と音声を合わせる
VRoid / VRMアバター	3Dアバターの会話音声に使う
Warudo配信	配信中のキャラ発話をローカルTTSで生成する
OBS配信	音声出力を配信ミキサーへ流す
AIチャットボット	チャット返答を固定キャラ声で読み上げる
Ren’Py / Unity	ゲーム内の仮音声、追加音声、ツール生成音声に使う
Webアプリ	ローカルAPIを叩いて音声ファイルを生成する

ここで重要なのは、SBV2が最初から全ツールに公式対応している、という意味ではないことです。APIサーバーを入口にすれば、各アプリ側から呼び出す設計を作りやすい、という話です。

クラウドTTSでも同じような連携はできます。ただし、ライブ配信やゲーム制作で何度も短文を喋らせるなら、ローカル常駐のTTSを候補に入れる理由があります。通信待ち、従量課金、外部送信の心理的コストが減るからです。

SBVITSの商用可能なTTSモデルはどこで入手できる？

SBV2 / SBVITS2の完成済みTTSモデルを探すなら、まず確認したい場所はBOOTHです。BOOTHは公式ページで「pixivと連携した、創作物の総合マーケット」と説明されており、イラスト、3Dモデル、音声作品、素材データなど、個人クリエイターの制作物が集まる場所です。AI音声モデルも、同人作品やキャラクター制作の延長にあるため、pixiv圏の創作マーケットであるBOOTHに流通するのは自然です。

探す入口としては、BOOTHのSBV2タグ検索が使えます。ただし、タグ検索そのものが目的ではありません。見るべきなのは、各モデルが商用利用、R18利用、クレジット表記、改変、生成音声の販売利用にどう対応しているかです。

ただし、ここで雑に買ってはいけません。AI音声をASMR作品に使うなら、モデルごとに次を確認します。

• 商用利用できるか
• R18作品に使えるか
• クレジット表記が必要か
• 生成音声を販売作品に含められるか
• モデルの改変やマージが許可されているか
• 再配布や二次配布の禁止範囲

Style-Bert-VITS2公式のお願いと規約ページでも、利用するモデルの利用規約・ライセンスを確認し、存在する場合は従ってほしいと説明されています。SBV2そのものが使えることと、個別モデルを商用ASMRへ使えることは別問題です。

SBV2でAI ASMRを作るならどう始める？

最初は学習ではなく、配布モデルを使った制作テストから始めるのが現実的です。

1. BOOTHなどでSBV2モデルを探す
2. 商用利用、R18利用、クレジット表記を確認する
3. 公式のzipまたは案内に沿ってSBV2を入れる
4. GPUがない場合はCPU版で音声合成できる状態にする
5. 10〜20文字程度の短い台詞から試す
6. ささやき、落ち着き、距離感に合う設定を探す
7. 生成した音声をAudacityなどで並べ、無音と左右を作る
8. ヘッドホンで通し確認し、破綻した台詞だけ再生成する

ASMRでは、長文を一度に読ませるより、短い台詞を分けて作るほうが安定します。息、間、左右移動、近距離感はTTS単体ではなく、編集で作る部分が大きいからです。

結論：SBV2を候補へ入れる条件

SBV2を見る価値は、最新TTSの総合ランキングで1位を取ることではありません。AI ASMRを作る個人制作者にとって、ローカルで動き、CPUでも音声合成でき、同じ声を何度も生成できることです。

GPT-SoVITS、F5-TTS、CosyVoiceにはそれぞれ強みがあります。声の再現、多言語、大規模配信、高速推論を狙うなら別の選択肢が適する場面もあります。

一方、ASMR作品をTTSから作るときに、今日、手元で、何度も、同じキャラ声を試せることを重視するなら、SBV2は有力な比較対象です。知らないまま選定すると、ローカル常駐、CPU音声合成、API連携という軸が抜け落ちる可能性があります。

声そのものを文章や絵文字で設計したい場合は、Irodori TTS v3 VoiceDesignの絵文字一覧も別の入口になります。音声生成の方式を横断して選ぶなら、音声生成AI・TTSの入口から用途別に進めます。