テキスト読み上げ

本テキスト読み上げツールは、ブラウザ内で完結する 2 つの相補的エンジンを提供します。エンジン A(Web Speech)は OS にインストール済みの音声を利用します — 即時、ダウンロード不要、音声インストール後はオフラインで動作しますが、品質は OS によって異なり、低リソース言語のカバレッジは不均一です。エンジン B(Piper Neural via VITS)は初回使用時に Hugging Face からコンパクトな ONNX モデルを読み込み、onnxruntime-web 上で実行し、Google Cloud や Amazon Polly などの商用クラウド TTS に匹敵する音声を生成します。Piper は 35 以上の言語と 100 以上の音声をカバーし、ベトナム語(vais1000、vivos)、日本語、中国語(huayan)、韓国語、Web Speech では使える音声が無いことの多い低リソース欧州言語も含みます。Piper 音声を初めて選ぶと、品質プリセットに応じて通常 10〜60 MB のモデルがダウンロードされ、ブラウザの OPFS ストレージにキャッシュされます。以降の利用は即時でオフラインです。両エンジンとも言語別音声ピッカーを備え、Piper の出力はダウンロード可能な WAV ファイルで、動画エディターやポッドキャストワークフローに直接ドロップできます。