Nano-Flow-TTS (WIP)

Important

本プロジェクトは現在開発途中 (Work In Progress) です。 実装や仕様が頻繁に変更される可能性があります。

プロジェクトについて

Nano-Flow-TTSは、Rustと言語学的な知見を組み合わせた、軽量・高品質な音声合成エンジン (TTS) の構築を目指す個人プロジェクトです。

開発の目的

• 学習・研究: モダンな音声合成アルゴリズムである Flow Matching (Rectified Flow) や、Rustによるプロジェクト構成の学習を目的としています。
• 軽量化の追求: 低スペック環境（VRAM 8GB以下など）でも動作する、効率的な階層型モデル構造の実装に挑戦しています。

ライセンスと公開範囲

• 非OSS (Not Open Source Software): 本プロジェクトは個人の学習目的で作成されており、オープンソースソフトウェアとして公開・配布・再利用を許可しているものではありません。

---

主な特徴

• アルゴリズム: Optimal Transport Conditional Flow Matching (OT-CFM) を採用。
• アーキテクチャ:
  • Encoder: 畳み込みに基づいた軽量な音素エンコーダー。
  • Hierarchical Decoder: 16次元(Coarse)と64次元(Fine)に分けた階層的なメルスペクトログラム生成。
• 言語支援: 日本語の形態素解析 (jpreprocess) に基づくアクセント情報付き音素トークナイザー。

構成

• nflow-core: 共通のデータ構造とトークナイザー
• nflow-text: テキスト解析・音素変換（日本語）
• nflow-model: Flow Matching モデル本体
• nflow-train: 学習用パイプライン
• nflow-synth: 音声合成エンジン・Griffin-Lim デコーダー
• nflow-gui: ユーザーインターフェース (開発予定/途中)

開発状況

現在はフェーズ1〜4（基本実装・学習効率化・ストリーミング最適化）を終え、モデルのさらなる高品質化と安定化に取り組んでいます。