音声生成・文字起こしに必要な環境：GPU が要らない場合と、要る場合を公式の記載で分ける

音声まわりの作業は、何をするかで必要な環境が大きく変わります。読み上げは GPU がなくても動かせて、文字起こしの Whisper は large で約 10GB の VRAM、声の学習は NVIDIA GPU が必須です。公式の README に数値があるものと、ないものを分けて整理します。

読み上げは、CPU でも動かせる

Style-Bert-VITS2 の README は、音声合成だけなら GPU がなくても CPU で動くと書いています。VOICEVOX ENGINE は、Docker イメージが CPU 版と NVIDIA GPU 版に分かれていて、GPU を使うかは起動時の設定で選びます。

文字起こしは、モデルごとに VRAM の表がある

OpenAI Whisper の README には、モデルごとの必要 VRAM と相対速度の表があります。tiny と base は約 1GB、small は約 2GB、medium は約 5GB、turbo は約 6GB、large は約 10GB です。速さは large を 1 倍として、turbo が約 8 倍、tiny が約 10 倍とされています。

日本語の認識精度は、README の本文からは数値が読み取れず、図と補足資料にまとめられています。日本語から英語への翻訳には、turbo ではなく medium か large を使うよう案内されています。

声の学習は、NVIDIA GPU が必要で、必要量は数値がない

声づくりの学習について、Style-Bert-VITS2 の README は NVIDIA の GPU がなければ学習できないと書いています。2 秒から 14 秒ほどの音声ファイルと、その書き起こしが必要です。GPT-SoVITS は、1 分の学習データでのファインチューンと、5 秒の音声でのゼロショットを紹介しています。

推論の速さの目安は、GPT-SoVITS の README に、RTF（小さいほど速い）として RTX 4090 で 0.014、RTX 4060 Ti で 0.028、M4 の CPU で 0.526 とあります。どちらの README にも、必要な VRAM の数値はありません。

自分の使い方に落とす手順

1. 読み上げだけなら、GPU のない環境で試す。
2. 文字起こしは、使うモデルの必要 VRAM を表で確認する。large でも約 10GB。
3. 声の学習をするなら、NVIDIA の GPU を借りる。必要な VRAM は公式にないので、小さく試して使用量を測る。

借りる GPU は、音声の文字起こしや声づくりを試すなら 24GB の ConoHa の L4から始める選び方をまとめています。止め忘れの課金は、止め忘れ課金の記事にあります。