Geekなオヤジブログ

AlibabaのQwen3-TTSと日本語特化のIrodori-TTSを、漢字の読み(ASRで仮名CER)・自然さ(UTMOS+ブラインドA/B)・感情表現(F0の変化量)で数値化して比べました。読みはIrodori優位。自然さと感情は、エンジンの差ではなく「参照音声の性質」でほぼ決まっていた、という自分の耳の思い込みが覆った記録。音声サンプル付き。

日本語特化TTS「Irodori-TTS」を、GMKtec EVO-X2(Ryzen AI Max+ 395 / Radeon 8060S)の内蔵GPUでWindows ROCm nightlyを使って動かしました。torch 2.10の入手、無い依存パッケージ3つの回避、そしてMIOpenの失敗でデスクトップが2〜3秒おきに真っ暗になった事故と対処。推論4倍・学習7.7倍。同じStrix Haloユーザー向けのメモと、コーディングエージェントが必須だと思う理由。