Mac mini M6でサブスクなしの声クローン・作曲・文字起こし、ローカルAI 8種を有料と比較
投稿日 動画公開
Mac mini M6 32GBでローカルAI 8種による声のクローン、作曲、文字起こしを有料サービスと同じ条件で測りました。クローンはVoxCPM2 0.918、歌詞はSuno 2.3%、文字起こしはWhisper 3.6%でした。
サブスクリプションなしで、Mac mini M6 32GB 1台だけで声のクローン、作曲、文字起こしをするとどこまでできるでしょうか。ローカルAI 8種類を、有料クラウドサービス2つ（声のクローンとSuno）と同じ文、同じ歌詞で直接比べたところ、声のクローンはローカルのほうがよく似ており、歌詞の明瞭さは有料のSunoが上で、文字起こしはWhisper large-v3が最も正確でした。この記事はYouTube動画の内容を記事として整理し直したものです。
結論から
- 声のクローンは、ローカルのほうが有料よりよく似ていました。話者類似度はVoxCPM2が0.918、Qwen3-TTSが0.895、Voiceboxアプリが0.893、有料クラウドのインスタントクローンが0.815です。
- 歌は、歌詞が最もはっきりしていたのは有料のSunoでした（歌詞の誤り2.3%）。ローカルのACE-Step 1.5は8.7%で、最大のACE-Step XL（4B）は32GBのMac miniではメモリ不足で止まりました。
- 文字起こしは、古いWhisper large-v3が誤り3.6%で1位で、新しく出たQwen3-ASRは当チャンネルの韓国語ナレーションで9.7%と最も間違えました。
- 32GBで、声と文字起こしは余裕があり（ほとんどが6GB前後）、ぎりぎりなのは作曲です。
この記事の数字の種類
数字はすべて当チャンネルの測定です（Mac mini M6 32GB、2026-09-29、全モデルに同じ文と同じ歌詞）。有料2つを除き、すべてインターネットなしでMacの中で動かしました。類似度はResemblyzerの話者埋め込み類似度（1に近いほど似ている）、正確さはWhisper large-v3の文字起こしによる文字誤り率、メモリは各プログラムが報告した最大値です。クローンの元の声は実在の人物ではなく、AIがテキスト1行から作った架空の声で、動画の中の声はすべてAI合成です。
テスト条件
まずクローンする声を作りました。Qwen3-TTS VoiceDesign 1.7B（bf16）に「30代の韓国人男性、低くて落ち着いた声」とテキストだけで説明し、12.1秒分を11.5秒で作り、メモリは4.7GBを使いました。録音ファイルは1つもなく、この声がすべてのクローンの元です。読み上げる文には、数字「삼백이십칠」（327）と英語の「GPU」を混ぜました。モデルは、Qwen3-TTS 1.7B bf16、VoxCPM2 2B 8ビット（参照音声とその台詞を一緒に与える方式）、mlx-audio 0.5.7、Voicebox 0.5.0アプリ、ACE-Step 1.5 turbo 2B + LM 1.7B（MLX）、YuE2 3B公式コード（device=mps）、Whisper large-v3、large-v3-turbo、Qwen3-ASR 1.7B 8ビット（MLX）です。
声のクローン：ローカルのほうが似ていた
| 方法 | 類似度 | 速度（音声の長さ → かかった時間） | メモリ |
|---|---|---|---|
| VoxCPM2 2B 8ビット | 0.918 | 10.4秒 → 17.2秒 | 6.2GB |
| Qwen3-TTS Base 1.7B | 0.895 | 8.9秒 → 10.6秒 | 4.7GB |
| Voiceboxアプリ（中身は同じQwen3-TTS） | 0.893 | 9.8秒 → 23.5秒（初回32秒） | - |
| 有料クラウドのインスタントクローン | 0.815 | 9.85秒 → 1.5秒 | - |
4つとも文字起こしの誤りは10.6%で同じでしたが、すべて「삼백이십칠」を数字の327と書いた表記の違いで、実際に間違った発音はありませんでした。Voiceboxはインストーラーをアプリケーションフォルダにドラッグするだけで済む無料のアプリで（動画はGitHubのスターが5万個を超えると紹介）、声を作ってからプロフィールの保存までに40秒ほどかかりました。同じモデルなのにターミナルより約2倍遅い理由は確認していません。
作曲：歌詞は有料が上だった
同じ韓国語の歌詞とスタイルで比べました（歌詞は自作です）。ACE-Step 1.5は60秒の2曲に76.8秒かかり、歌詞の誤りは8.7%でした。伴奏とメロディーはそれらしいのですが、「팬 소리도」が「벤 소리도」に、「맥 미니로」が「맹이로」に聞こえる箇所がありました。有料のSuno V5は同じ歌詞で24.8秒で2曲（長さはそれぞれ50.9秒と40.4秒）が出て、歌詞の誤りは2.3%でした。歌詞の誤り率は、曲を文字起こしして歌詞と比べた値で、曲の終わりの無音から作り出された言葉は除いています。
最大のACE-Step XL turbo（4B）は、2曲ずつでも1曲ずつでもメモリ不足で止まりました。モデル22GBとほかの割り当て21GBがMacのGPU上限42.4GBを超え、画面にはエラーが1行も出なかったため、標準の2Bモデルに切り替えました。YuE2は、公式の案内ではLinuxとNVIDIA 24GB専用ですが、MacのGPU（MPS）で実際に動き、65.5秒の曲に246秒（約4分）かかりましたが、韓国語の歌詞を文字起こしがほとんど見つけられませんでした（90.7%）。韓国語は公式サポート言語ではありません。
文字起こし：古いWhisperが1位
当チャンネルのナレーション27本（6分39秒）を正解の台本と比べました。同じ16秒のサンプルで、WhisperとQwen3-ASRはどちらも1.5秒で終わりましたが、Whisperは「3090과 4090」を正しく書き、Qwen3-ASRは「3,990, 4,990」と書きました。
| モデル（すべてローカル、MLX） | 文字誤り率 | 速度（リアルタイム比） | メモリ |
|---|---|---|---|
| Whisper large-v3 | 3.6% | 9.3倍 | 3.4GB |
| Whisper large-v3-turbo | 5.5% | 31.2倍 | 2.0GB |
| Qwen3-ASR 1.7B | 9.7% | 11.4倍 | 3.2GB |
同じファイルをCPUで動かすと（faster-whisper）リアルタイムの1.5倍で、MacのGPUは約6倍速いことになります。
32GBのMac miniで足りるか
| モデル | メモリ | 結果 |
|---|---|---|
| Qwen3-TTS 1.7B | 4.7GB | 動いた |
| VoxCPM2 2B 8bit | 6.2GB | 動いた |
| Whisper large-v3 | 3.4GB | 動いた |
| ACE-Step 2B turbo | 測定せず | 動いた |
| ACE-Step XL 4B | 42GB超 | メモリ不足 |
| YuE2 3B | - | 動くが遅い、韓国語の歌詞はぼやける |
動画のまとめと使う前に
ナレーション用の声のクローンは、もうサブスクリプションなしでMac miniで十分、というのが動画の結論です。手軽なのはVoicebox、最も似ているのはVoxCPM2、字幕はWhisper large-v3で、歌はまだ有料が上ですが、デモ曲や練習用ならACE-Stepで無料で作れます。クローンは、ご自身の声か、書面で許可を得た声だけで行ってください。ライセンスは、Qwen3-TTSとVoxCPM2がApache-2.0、ACE-StepがMIT、YuE2は非商用が基本で個人クリエイターは許可される条件のため、使う前に各リポジトリの最新のライセンスを確認してください。
限界・基準日
- クローンは1文、モデルあたり1回の結果です。類似度は1つの指標（Resemblyzer）で、歌詞の誤り率は文字起こしを経た値です。
- 有料クラウドの速度（1.5秒、24.8秒）はインターネットを経由した値のため、ローカルの速度とは条件が異なります。Voiceboxが遅い原因は確認していません。
- 文字起こしは当チャンネルの韓国語ナレーションが基準で、ほかの声では変わる可能性があります。
- 基準日：測定2026-09-29、動画公開2026-10-01（動画公開日時点の値で、その後モデルのバージョンが変わっている可能性があります）。