Bert-VITS2 を今から導入すべきか: 多言語BERTを載せたVITS2と、READMEが示す「非推奨」の意味

README が最初に「他プロジェクトを使え」と書いている

このリポジトリを評価するとき、最初に読むべきなのはコードではなく README 冒頭の一文である。README には FishAudio の新しい自己回帰型 TTS である Fish-Speech が「現在オープンソース SOTA 水準」であり「BV2/GSV の代替として推奨する」と書かれ、続けて「本プロジェクトは短期的にこれ以上メンテナンスを行わない」と明記されている。つまり、作者自身が新規採用に消極的な姿勢を示している。それでもこのリポジトリを見る価値があるのは、多言語 BERT を VITS2 に接続するという設計そのものを読みたい場合か、既存の学習済み資産を流用したい場合に限られる。最新の音声品質を求めて新規に環境を作る用途では、この一文の時点で選定から外れる。

多言語BERTをVITS2に接続するという発想

Bert-VITS2 の名前が示すとおり、構成は VITS2 のバックボーンに多言語 BERT を組み合わせたものだと説明されている。テキスト側の表現を BERT から取り、音響モデル側を VITS2 が担う、という役割分担である。README はこの中核アイデアの出典として anyvoiceai/MassTTS を挙げ、参照実装として jaywalnut310/vits、p0p4k/vits2_pytorch、svc-develop-team/so-vits-svc、PaddlePaddle/PaddleSpeech、emotional-vits、fish-speech を列挙している。注目したいのは、作者が MassTTS を試したうえで「fs は音質面で vits と一定の差があり、学習パイプラインが vits より複雑」と感じたことが出発点だと書いている点である。BERT による文脈表現を、当時すでに枯れていた VITS 系の学習手順に載せる、という動機が明確に読み取れる。

webui_preprocess.py から入る導入手順

README は「簡易教程は webui_preprocess.py を参照」とだけ書いており、pip でのインストール手順や requirements の内容、学習用スクリプトの引数は示されていない。したがって、入手可能な情報から確実に言える入口は webui_preprocess.py の実行である。リポジトリ構成としては Python が主言語で、デフォルトブランチは master。データの前処理、学習、推論という流れを Web UI 経由で扱う設計だと推測できるが、個々のコマンドや設定キーは README には記載がない。config の具体的なキー名や学習の実行コマンドを確認したい場合は、リポジトリ内のファイルを直接読む必要がある。README に「成熟した旅行者/開拓者/艦長/博士/sensei/... はコードを読んで自ら学習方法を学ぶべき」と書かれているのは冗談めかしているが、実質的にはドキュメントが最小限であることの告白でもある。

日本語特化リリース JP-Exta が示すもの

リリース履歴には Extra（中文特化版本、2024-01-04）、Extra-v2（中文特化修复版、2024-01-25）、JP-Exta（Extra: Japanese Specialized Version、2024-02-01）の3つが並ぶ。中国語向けの修正を2回重ねたあとに日本語特化版が出ており、言語ごとに調整版を切り出す運用だったことがわかる。日本語で使いたい場合、この JP-Exta が最後の言語別リリースであり、その後の更新はリリース一覧には現れていない。多言語 BERT を掲げていても、実際に手当てされた言語は中国語と日本語に偏っていると見るのが妥当である。英語やその他の言語で使いたいなら、BERT 側の多言語性だけを頼りに、音響側の調整は自分で行う前提になる。

AGPL-3.0 が学習済みモデルの配布に及ぼす影響

ライセンスは AGPL-3.0 である。GPL 系との違いはネットワーク越しの利用にも及ぶ点で、AGPL の下では、改変したプログラムをサービスとして外部に提供する場合にもソースの提供が求められる、というのが一般的な理解である。音声合成を API として公開する使い方を想定しているなら、この条項は構成に直接影響する。ここで注意したいのは、README が「本プロジェクトの中核アイデアは anyvoiceai/MassTTS に由来する」と明記していることだ。参照元が別ライセンスであれば、コードの由来と自プロジェクトのライセンスの関係を確認する作業が発生する。どのコードがどの参照実装に由来するかの切り分けは README からは判断できない。実際の配布や商用利用の可否は、法務の確認事項であり、ここで断定はしない。

保守停止を前提にしたときの代替: Fish-Speech との違い

README が挙げる代替は Fish-Speech であり、これは同じ FishAudio による自己回帰型の TTS である。アーキテクチャの系統が異なる点が重要で、Bert-VITS2 は VITS2 という非自己回帰系のバックボーンに BERT の文脈表現を足す構成、Fish-Speech は自己回帰型として説明されている。README の記述によれば、作者は MassTTS を試した際に自己回帰系のパイプラインが vits より複雑だと感じ、あえて VITS 側に BERT を載せる道を選んだ。つまり両者は単なる新旧ではなく、学習の組みやすさと音質のトレードオフを逆方向に振った関係にある。Bert-VITS2 を選ぶ理由があるとすれば、VITS 系の学習手順に慣れていること、あるいは既存の VITS 資産を流用したいことになる。

Bert-VITS2 を選ばないほうがよい場合

新規プロジェクトで、ドキュメントどおりに動く環境を短時間で用意したいなら、このリポジトリは適さない。README の導入手順は webui_preprocess.py の参照のみで、依存関係の解決やエラーの切り分けは利用者側の作業になる。加えて、保守を再開する予定は README 上では示されていない。もうひとつの制約は用途の制限で、README は中華人民共和国の憲法・刑法・治安管理処罰法・民法典に違反する用途、および政治関連の用途を禁じている。この種の制限は多くの TTS リポジトリには書かれないため、公開デモや生成物を配布する立場では、利用規約として明示的に扱う必要がある。音声クローニングを外部に提供する形態は、ライセンスとこの禁止条項の両方を先に確認しないと後戻りが難しい。

採用判断の前に読むべきファイル

このリポジトリを検討するなら、README の次に読むべきは webui_preprocess.py である。前処理がどのディレクトリ構成を要求し、どの config キーを書き換える前提なのかは、そこにしか書かれていない。日本語で使う場合は JP-Exta のリリース内容と、その時点のコードとの対応も確認したい。リリース日は 2024-02-01 で、リポジトリ全体の最終 push は 2026-09-07 と記録されているが、リリース一覧が JP-Exta で止まっている以上、その間に言語別の調整が追加された形跡は読み取れない。BERT 部分の由来と AGPL-3.0 の関係、MassTTS 由来コードの範囲は README からは特定できないので、配布や商用を伴う場合はコードを追って切り分ける作業が残る。

編集部の結論

Bert-VITS2 を選ぶべきなのは、VITS 系の学習パイプラインを自分の環境で組み立て直す前提があり、AGPL-3.0 の条件下でソース公開を受け入れられる場合である。逆に、README 自身が代替として挙げている Fish-Speech の利用を検討できるなら、そちらを優先したほうがよい。導入前に確認すべきは、webui_preprocess.py が想定するデータ配置と、対象言語に対応するリリースが JP-Exta 以降で止まっていないかである。保守が止まっている点を許容できないなら、このリポジトリは出発点としても適さない。

公式情報源

1. fishaudio/Bert-VITS2 on GitHub
2. Issues
3. License: AGPL-3.0
4. README
5. Releases