モデル情報

Style-Bert-VITS2：読み上げは CPU で動き、学習は NVIDIA GPU が必要

公式 README は、音声合成だけなら GPU は要らず、学習には NVIDIA の GPU が必要と書いています。

この記事は、提供や依頼を受けて書いたものではありません。数値は各社の公式ページから取得し、公式に書かれていないことは「記載なし」と示します。

Style-Bert-VITS2 は、読み上げ（推論）だけなら、GPU がなくても CPU で動きます。声の学習をするには、NVIDIA の GPU が必要です。

公式の記載

項目	内容
推論（音声合成）	GPU なしで CPU で動作
学習	NVIDIA の GPU が必要。ない場合は学習できない
学習データ	2〜14 秒ほどの音声ファイルと、書き起こし
動作を確認した環境	Windows のコマンドプロンプト、WSL2、Linux（Ubuntu Desktop）
VRAM	記載なし
日本語向けの機能	JP-Extra の事前学習モデル、辞書機能

読み上げだけなら、GPU のないVPS から試す手もあります。学習をするなら音声の用途ページへ。

出典はすべて公式ページです。取得日は更新日に合わせています。