音声サンプルからテキスト読み上げ音声を生成するローカルアプリです

このアプリは、10～15秒の参照音声と生成したいテキストを入力して、その音声でテキストを読み上げた音声ファイルを作成します。llama.cpp エンジン上で Qwen3-TTS モデルを実行し、すべての処理がローカルで完結するため、プライバシーが保護されます。スペイン語、英語、中国語、ドイツ語など 10 言語をサポートし、ユーザーは各生成時に CPU またはGPUを選択できます。GPU を使用する場合、ボコーダー（mmproj）も GPU にオフロードしないと、CPU がボトルネックになるため、アプリは常に -mmdev パラメータを使用します。テキストは自動的にフレーズに分割され、生成後に結合されます。FastAPI ベースの Web インターフェースで、生成履歴、音声ライブラリ、リアルタイム進捗表示が含まれています。初回起動時にモデル重み（約 1.5 GB）がダウンロードされます。