Upload 7 files

README.md

@@ -1,3 +1,43 @@
----
-license: mit
----
+---
+language:
+- ja
+tags:
+- text-to-speech
+- style-bert-vits2
+- aivtuber
+- synthetic-voice
+license: cc-by-nc-4.0
+---
+
+# Style-Bert-VITS2 完全AI生成音声モデル群
+
+このリポジトリは、[Style-Bert-VITS2](https://github.com/litagin02/Style-Bert-VITS2) 向けに作成された日本語の音声合成モデルを配布しています。
+
+**重要:** ここで配布されている全てのAI音声モデルは、実在の特定の人物や声優の音声を一切使用しておらず、完全に他のAI（Qwen3-TTS等）を利用して生成・シミュレートされた合成音声をベースに学習されたものです。肖像権や著作隣接権などの懸念がなく、クリーンに様々な用途でご利用いただけます。
+
+## 収録モデル (Models)
+
+当リポジトリには現在、以下の2つの音声キャラクターが同封されています。
+
+### 1. Yokohama_Aoba (横浜青葉)
+- **声質の特徴:** やや幼い感じのする若い女性の声
+- **用途:** 元気な解説、明るいキャラクター、可愛らしいAIアシスタントなど
+- **使い方:** ダウンロードした `Yokohama_Aoba` フォルダを、そのまま `Style-Bert-VITS2/model_assets` の中に配置してください。
+
+### 2. Tsukimiyama_Suma (月見山須磨)
+- **声質の特徴:** 落ち着いた女性の低い声
+- **用途:** 怪談の朗読、落ち着いたラジオ配信、クールでミステリアスなAIアシスタントなど
+- **使い方:** ダウンロードした `Tsukimiyama_Suma` フォルダを、そのまま `Style-Bert-VITS2/model_assets` の中に配置してください。
+
+## 利用規約 (Terms of Use)
+どなたでも自由にご利用いただけますが、以下のルールを守ってお使いください。
+
+- **許可されていること:** 個人利用、商用利用（動画作成、インディーゲーム等の音声利用）、R-18/18G作品への利用、他のシステムへの組み込み。
+- **禁止されていること:** 本モデルそのものの販売、実在する人物の声を騙る詐欺やなりすまし行為、特定の個人・企業・団体への誹謗中傷、政治的または宗教的な激しいプロパガンダでの使用。
+- 本モデルは完全に架空の合成音声を利用して作られていますが、利用によって生じたいかなるトラブルに対しても、制作者は責任を負いません。
+
+## 生成レシピ (Recipes for Reproducibility)
+本モデルは完全な合成コーパスを用いて作成されています。
+- **ベース音声生成:** Qwen3-TTS (VoiceDesign)
+- **コーパス生成:** Irodori-TTS クローニングによる高品質化
+- **学習プラットフォーム:** Style-Bert-VITS2

Tsukimiyama_Suma/Tsukimiyama_Suma.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:b97787786743434f7500daed4526d8f32d929b95ce1052c2b16b8b29a9e360bb
+size 251150980

Tsukimiyama_Suma/config.json

@@ -0,0 +1,118 @@
+{
+  "model_name": "Tsukimiyama_Suma",
+  "train": {
+    "log_interval": 200,
+    "eval_interval": 1000,
+    "seed": 42,
+    "epochs": 100,
+    "learning_rate": 0.0001,
+    "betas": [
+      0.8,
+      0.99
+    ],
+    "eps": 1e-09,
+    "batch_size": 4,
+    "bf16_run": false,
+    "fp16_run": false,
+    "lr_decay": 0.99996,
+    "segment_size": 16384,
+    "init_lr_ratio": 1,
+    "warmup_epochs": 0,
+    "c_mel": 45,
+    "c_kl": 1.0,
+    "c_commit": 100,
+    "skip_optimizer": false,
+    "freeze_ZH_bert": false,
+    "freeze_JP_bert": false,
+    "freeze_EN_bert": false,
+    "freeze_emo": false,
+    "freeze_style": false,
+    "freeze_decoder": false
+  },
+  "data": {
+    "use_jp_extra": true,
+    "training_files": "Data\\Tsukimiyama_Suma\\train.list",
+    "validation_files": "Data\\Tsukimiyama_Suma\\val.list",
+    "max_wav_value": 32768.0,
+    "sampling_rate": 44100,
+    "filter_length": 2048,
+    "hop_length": 512,
+    "win_length": 2048,
+    "n_mel_channels": 128,
+    "mel_fmin": 0.0,
+    "mel_fmax": null,
+    "add_blank": true,
+    "n_speakers": 1,
+    "cleaned_text": true,
+    "spk2id": {
+      "Tsukimiyama_Suma": 0
+    },
+    "num_styles": 1,
+    "style2id": {
+      "Neutral": 0
+    }
+  },
+  "model": {
+    "use_spk_conditioned_encoder": true,
+    "use_noise_scaled_mas": true,
+    "use_mel_posterior_encoder": false,
+    "use_duration_discriminator": false,
+    "use_wavlm_discriminator": true,
+    "inter_channels": 192,
+    "hidden_channels": 192,
+    "filter_channels": 768,
+    "n_heads": 2,
+    "n_layers": 6,
+    "kernel_size": 3,
+    "p_dropout": 0.1,
+    "resblock": "1",
+    "resblock_kernel_sizes": [
+      3,
+      7,
+      11
+    ],
+    "resblock_dilation_sizes": [
+      [
+        1,
+        3,
+        5
+      ],
+      [
+        1,
+        3,
+        5
+      ],
+      [
+        1,
+        3,
+        5
+      ]
+    ],
+    "upsample_rates": [
+      8,
+      8,
+      2,
+      2,
+      2
+    ],
+    "upsample_initial_channel": 512,
+    "upsample_kernel_sizes": [
+      16,
+      16,
+      8,
+      2,
+      2
+    ],
+    "n_layers_q": 3,
+    "use_spectral_norm": false,
+    "gin_channels": 512,
+    "slm": {
+      "model": "./slm/wavlm-base-plus",
+      "sr": 16000,
+      "hidden": 768,
+      "nlayers": 13,
+      "initial_channel": 64
+    }
+  },
+  "version": "2.7.0-JP-Extra"
+}

Tsukimiyama_Suma/style_vectors.npy

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:ffda851891f83abfc7954f9b0f5be93bb85d2b9139281129e09f0e008df5ae41
+size 1152

Yokohama_Aoba/Yokohama_Aoba.safetensors

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:79d9c16a9a4ba1610393ea59ed6a2147479277a44b92da0f061f3115f0711538
+size 251150980

Yokohama_Aoba/config.json

@@ -0,0 +1,118 @@
+{
+  "model_name": "Yokohama_Aoba",
+  "train": {
+    "log_interval": 200,
+    "eval_interval": 1000,
+    "seed": 42,
+    "epochs": 130,
+    "learning_rate": 0.0001,
+    "betas": [
+      0.8,
+      0.99
+    ],
+    "eps": 1e-09,
+    "batch_size": 3,
+    "bf16_run": false,
+    "fp16_run": false,
+    "lr_decay": 0.99996,
+    "segment_size": 16384,
+    "init_lr_ratio": 1,
+    "warmup_epochs": 0,
+    "c_mel": 45,
+    "c_kl": 1.0,
+    "c_commit": 100,
+    "skip_optimizer": false,
+    "freeze_ZH_bert": false,
+    "freeze_JP_bert": false,
+    "freeze_EN_bert": false,
+    "freeze_emo": false,
+    "freeze_style": false,
+    "freeze_decoder": false
+  },
+  "data": {
+    "use_jp_extra": true,
+    "training_files": "Data\\Yokohama_Aoba\\train.list",
+    "validation_files": "Data\\Yokohama_Aoba\\val.list",
+    "max_wav_value": 32768.0,
+    "sampling_rate": 44100,
+    "filter_length": 2048,
+    "hop_length": 512,
+    "win_length": 2048,
+    "n_mel_channels": 128,
+    "mel_fmin": 0.0,
+    "mel_fmax": null,
+    "add_blank": true,
+    "n_speakers": 1,
+    "cleaned_text": true,
+    "spk2id": {
+      "Yokohama_Aoba": 0
+    },
+    "num_styles": 1,
+    "style2id": {
+      "Neutral": 0
+    }
+  },
+  "model": {
+    "use_spk_conditioned_encoder": true,
+    "use_noise_scaled_mas": true,
+    "use_mel_posterior_encoder": false,
+    "use_duration_discriminator": false,
+    "use_wavlm_discriminator": true,
+    "inter_channels": 192,
+    "hidden_channels": 192,
+    "filter_channels": 768,
+    "n_heads": 2,
+    "n_layers": 6,
+    "kernel_size": 3,
+    "p_dropout": 0.1,
+    "resblock": "1",
+    "resblock_kernel_sizes": [
+      3,
+      7,
+      11
+    ],
+    "resblock_dilation_sizes": [
+      [
+        1,
+        3,
+        5
+      ],
+      [
+        1,
+        3,
+        5
+      ],
+      [
+        1,
+        3,
+        5
+      ]
+    ],
+    "upsample_rates": [
+      8,
+      8,
+      2,
+      2,
+      2
+    ],
+    "upsample_initial_channel": 512,
+    "upsample_kernel_sizes": [
+      16,
+      16,
+      8,
+      2,
+      2
+    ],
+    "n_layers_q": 3,
+    "use_spectral_norm": false,
+    "gin_channels": 512,
+    "slm": {
+      "model": "./slm/wavlm-base-plus",
+      "sr": 16000,
+      "hidden": 768,
+      "nlayers": 13,
+      "initial_channel": 64
+    }
+  },
+  "version": "2.7.0-JP-Extra"
+}

Yokohama_Aoba/style_vectors.npy

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:61805857311e32b45071ff68dabba4289f8af2b3f32415d8ab13775be0e1983f
+size 1152