VOICEVOXのベンチマークをしてみた – CPU/内蔵GPU/外部GPU/さくらのAI比較

音声合成ソフトVOICEVOXで実行環境によって音声合成のスピードがどのくらい変わるのか調べてみました。比較対象はCPU、CPU内蔵GPU、外部GPU、クラウド（さくらのAI）です。

ベンチマーク方法

今回のテストには VOICEVOX ベンチマーク VoivoBench を使用しました。このプログラムはJavaScriptで書かれていて、HTMLファイルをブラウザで開くだけで使えます。VOICEVOXのAPIにアクセスして音声データが返ってくるまでの時間を測定して、10回の平均を求めています。

音声合成したテキスト (1) ショートバージョン
『ボクの名前はずんだもんなのだ。おいしいずんだ餅が食べたいのだ。』

音声合成したテキスト (2) フルバージョン
『ボクの名前はずんだもんなのだ。おいしいずんだ餅が食べたいのだ。ずんだ餅のさらなる普及を目指して頑張ってるのだ。』

実行環境は全てWindows 11です。
・CPUによる音声合成
・CPUに内蔵されたGPUによる音声合成
・外部GPUによる音声合成
・クラウドサービスさくらのAI Engineによる音声合成

単位はミリ秒です。数字が小さいほど高速です。ショートは短いテキストの音声合成したテキスト (1) ショートバージョンの結果で、フルはテキストのフルバージョンの結果です。

今回のテストを行った理由は、CPUより内蔵GPUの方が早いんじゃないか?? という疑問がきっかけだったのですが、この結果を見ると内蔵GPUはたいしたことはありませんね。特に非力なPCの内蔵GPUでは、長いテキストだとエラーで止まってしまったり、画面が乱れたりと不安定な動作になりました。

CPUでの音声合成はCPUの能力がそのまま結果に繋がっているようです。スレッド数は指定しておらず、デフォルト動作での結果です。また非力なCPUでは他の処理なども影響して結果が安定しなかったので、値は参考程度にしてください。

最後のさくらのAI Engineは従量課金制のクラウドサービスで、自前でサーバーを建てなくてもVOICEVOXが利用できる便利なサービスです。今回の結果を見るとRTX-5060より遅いですが、実用上は問題なく快適に使用できるスピードだと思います。

さくらのAI Engineの活用事例の記事も書いてるので、興味がある方はこちらも参考にしてみてくださいね。
さくらのAI Engineを使って、会話音声をずんだもん語に変換するマイクを作ってみた

NUCでベンチマークをしようと思ってこのようなM.2スロットから接続するOCuLinkを使用してみました。

右側のコネクタはマザーボードに繋げる24ピンコネクタですが、その左にあるコネクタが不明です。基板にはCPU 4Pと書いてあるので、あぁ、あのCPUの電源コネクタか。なんか数が合わないけど、ちゃんと刺さったからOKでしょ。と思って電源を入れたら…

キーーーーーーーーン

ん？

ジャババババーバババババ！！！！

うわぁああああああ、火花が噴き出てきた！！！

電源から花火のように火花が噴き出してきましたｗあーあ、高い電源だったのに壊れちゃった。テスターで導通を測ったら、2のピンの12VとGNDが逆でした。

×　刺さったからヨシ
〇　ピンの数が合わない時点でやめるべき

電源を壊してしまったので買い直しました。たぶん壊した電源の 1/10 くらいの安っい玄人志向のやつ。グラボが壊れなかったのが不幸中の幸いでした。

Share on Social Media