AivisSpeech：日语语音合成的桌面编辑器

你有没有想过，自己动手做一段带有情感起伏的日语配音，而不需要专业录音棚？AivisSpeech 正是为这个需求而生——这是一款基于 AI 的日语文字转语音（Text-to-Speech）桌面应用，用户输入文本，就能生成自然流畅的日语语音。支持 Windows 和 macOS，提供图形化界面，操作门槛低至"下载安装即可使用"。

图1：AivisSpeech 主界面，支持音频波形可视化与语调参数调节

背景故事：VOICEVOX 的精神继承者

AivisSpeech 并非凭空诞生，它的"基因"里流淌着日本开源语音合成项目 VOICEVOX 的血液。项目作者在 README 中直言不讳：AivisSpeech 是以 VOICEVOX 编辑器 UI 为基础进行 rebranding 的产品，目的是在 LGPL-3.0 单一许可证下提供更纯粹的开源选择——VOICEVOX 本身采用双许可证（LGPL + 商业闭源许可），而 AivisSpeech 只保留 LGPL-3.0，降低了企业合规门槛。

AivisSpeech 的技术核心是配套项目 AivisSpeech Engine，一个基于 ONNX Runtime 的推理引擎，支持 AIVMX（Aivis Voice Model for ONNX）格式的语音合成模型。这一设计选择至关重要：将模型格式从 PyTorch 迁移到 ONNX，意味着引擎完全摆脱了 Python 运行时依赖，可以用纯 C++/ONNX Runtime 分发，体积更小、启动更快、部署更简单。

核心功能：不止是"输入文字 -> 输出声音"

表面上，AivisSpeech 看起来只是一个音频生成工具。但在实际使用中，它的价值在于精细化的语音参数控制：

1. 多风格语音模型支持 AivisSpeech 支持 Style-Bert-VITS2 和 Style-Bert-VITS2 (JP-Extra) 两种架构的 AIVMX 模型文件。用户可以从 AIVM Generator 在线工具，将已有的语音合成模型（如 GPT-SoVITS、Whisper 等）转换为 AIVMX 格式，导入 AivisSpeech 中使用。这意味着用户不必被限死在官方模型上，可以自由探索社区模型生态。

2. 音频波形实时可视化 底层使用 pixi.js（高性能 2D WebGL 渲染库）实现音频波形的实时渲染，用户可以直观看到生成音频的声学特性。这在专业配音场景中非常重要——配音员需要看到语音的停顿、重音位置是否符合预期。

3. 日语文本分词与语调编辑 集成了 kuromoji（工业级日语分词器），对输入文本进行自动分词和音素标注，支持用户逐音节调整语速、音高、音量参数。这是区分"普通 TTS"和"专业 TTS"的关键能力。

4. 引擎热插拔架构 支持同时管理多个语音合成引擎实例，可以切换不同版本的引擎，或同时运行 VOICEVOX 引擎和 AivisSpeech Engine。这意味着它不仅服务于 AivisSpeech 自身生态，还兼容 VOICEVOX 生态积累下的丰富模型资源。

5. 跨平台构建 使用 electron-builder 进行跨平台打包，支持 Windows（NSIS 安装包）、macOS（dmg）、Linux（AppImage/deb）三种平台。Windows 10（22H2+）、macOS 13+、Linux 均在支持范围内。

技术架构：Electron + Vue 3 的桌面应用典范

AivisSpeech 的前端架构是研究桌面 AI 工具代码组织的优秀样本。368 个源文件分布在以下核心模块中：

关键技术栈：

• 前端框架：Vue 3 + Vuex 4 + Vue Router + TypeScript
• UI 组件库：Quasar Framework（功能丰富的 Vue 3 组件库）
• 图形渲染：pixi.js（WebGL 加速的 2D 渲染）
• 音频处理：libsamplerate-js（音频重采样）、wav-file-decoder/encoder（PCM 编解码）
• 构建工具：Vite + electron-vite（高速前端构建）
• API 层：从 AivisSpeech Engine 的 OpenAPI 规范自动生成 TypeScript 客户端（openapi-generator-cli）
• 日志监控：Sentry（前端 + Electron 双端错误追踪）
• 测试：Vitest（单元测试）+ Playwright（E2E 测试），203 个测试文件

代码质量评分：85/100。项目拥有完整的 ESLint + TypeScript 类型检查 + 格式化（Prettier）+ Typo 检查（typos）+ Markdownlint 的质量门禁，测试覆盖率达到较高水平。文档质量极高——30+ 份文档覆盖架构设计、UX 规范、开发者指南、API 使用说明。

部署与上手：从零到发出第一段语音

硬件需求极低：官方要求仅 1.5GB 以上空闲内存，无需 GPU。ONNX Runtime 的 CPU 推理优化使得普通办公电脑就能流畅运行。

安装步骤：

1. 从 AivisSpeech 官网 下载对应平台的安装包（Windows/macOS）
2. 单独下载 AivisSpeech Engine，解压到指定目录
3. 首次启动 AivisSpeech，在设置中指向 Engine 的可执行文件路径
4. 下载喜欢的语音模型（AIVMX 文件），放入 Models 目录
5. 开始使用

开发者本地构建需要 Node.js >= 22.14.0、pnpm 包管理器，整体构建约需 30 分钟。

局限性需要正视：

• 非 Docker 友好：项目不提供 Dockerfile 或 docker-compose，缺乏容器化部署能力，不适合服务器端自动化
• 纯桌面应用：没有 Web 版本，无法在浏览器中使用
• 仅支持日语：AivisSpeech Engine 与 VOICEVOX ENGINE 相同，不支持英语、中文等其他语言的语音合成
• 依赖外置引擎：编辑器本体只是一个"遥控器"，必须同时安装 AivisSpeech Engine 才能工作，增加了安装复杂度
• Intel Mac 支持有限：项目明确表示不主动验证 Intel 芯片 Mac 的兼容性

行业意义：开源语音合成生态的重要补充

AivisSpeech 的出现丰富了开源语音合成工具链。在它之前，VOICEVOX 几乎是日语 TTS 开源领域唯一的主流选择（另一竞争者是 COEIROINK，但生态较小）。AivisSpeech 的核心贡献在于：

1. ONNX 格式推动部署简化 将语音模型从 PyTorch 迁移到 ONNX 是一个技术判断而非营销噱头。ONNX 模型可以在任何支持 ONNX Runtime 的平台上运行——Windows、Linux、macOS、iOS、Android，甚至嵌入式设备。这意味着 AIVMX 格式的模型天生具有跨平台部署能力，而不需要 Python 环境。

2. 单一许可证降低企业合规风险 LGPL-3.0 允许商业使用且要求源码公开（若修改则需公开修改部分），相比 VOICEVOX 的双许可证，对不需要商业闭源授权的企业来说更加友好。

3. 模型格式标准化尝试 AIVM/AIVMX 不仅仅是一个文件格式，还附带完整的话者元数据（名称、简介、许可证、图标、语音样本），相当于给每个语音模型打上了"身份证"。这种标准化有助于构建可信赖的模型交易市场。

当前 GitHub 452 stars，项目处于活跃开发中（持续更新 release），配套的 AIVM Generator 在线工具和 AivisSpeech Engine 引擎项目也在同步推进，形成了较为完整的语音合成产品矩阵。

总结

AivisSpeech 是一款以 VOICEVOX 编辑器为基础、专为日语语音合成设计的 Electron 桌面应用。它通过 ONNX Runtime 驱动的 AivisSpeech Engine 和标准化的 AIVMX 模型格式，在 LGPL-3.0 单一许可证下为用户提供了稳定、高效、跨平台的语音合成编辑体验。适合日语内容创作者、配音爱好者、以及需要在日语环境中集成 TTS 能力的开发者。部署难度中等（需安装编辑器+引擎双组件），无 Docker 支持，硬件要求极低，是普通 PC 即可运行的轻量级工具。