音声の文字起こしや声づくりを試すなら、まず24GBの GPU（ConoHa の L4）から

読み上げだけなら、GPU は要らない

音声の読み上げ（音声合成）は、公式の README によると、GPU がなくても動かせます。Style-Bert-VITS2 の README は「音声合成のみに使う場合は、グラボがなくても CPU で動作します」と書いています。VOICEVOX ENGINE は、Docker イメージが CPU 版（cpu-latest）と NVIDIA GPU 版（nvidia-latest）に分かれています。

読み上げを常時動かしたいだけなら、GPU を借りる前に、GPU のないサーバーで試すほうが安く済みます。n8n や Dify と同じ考え方です。→ n8n や Dify なら XServer VPS

文字起こしは Whisper large で約 10GB、24GB に収まる

動画の字幕づくりなどに使う文字起こしの OpenAI Whisper は、README にモデルごとの必要 VRAM の表があります。

最も大きい large でも約 10GB です。NVIDIA の公式ページで、L4 の VRAM は 24GB とされています。ConoHa の GPU のページには、L4 が 60.5 円/時（vCPU 4・メモリ 16GB、税込）から載っているので、文字起こしだけなら、24GB で十分に収まります。

声の学習は NVIDIA GPU が必要で、必要量は公式に数値がない

自分の声や好きな声で読み上げさせる「声づくり」は、学習が必要です。Style-Bert-VITS2 の README は「NVIDIA の GPU が無い場合は学習はできません」と書いています。ただし VRAM の数値は書かれていません。GPT-SoVITS の README には、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が紹介され、推論の速さの目安（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 が載っています。こちらも、必要な VRAM の数値はありません。

向かないケース

• 読み上げだけを動かしたい。 GPU は要りません。→ GPU のない VPS から試す
• 止め忘れの課金がいちばん心配。 ConoHa の GPU には、停止中の課金の記載が見つかりませんでした。→ 止め忘れが心配なら GPUSOROBAN

申し込む前に聞くこと

1. 停止したあと、GPU の料金とストレージの料金はかかりますか。
2. 学習した声のデータは、停止中も残りますか。
3. 審査にはどのくらいかかりますか。