■ **概要** Microsoft VibeVoice ベースの多話者音声生成・クローニングをWebで統合したOSS。10GB+ VRAM のコンシューマーGPUで動作し、TTS・音声認識・LoRA ファインチューニングを単一UIで提供。 ■ **特徴・用途** ① **マルチモーダルパイプライン**: テキスト→音声＋音声→テキスト（文字起こし）を双方向で実装。デモ動画・多言語コンテンツ生成・チャットボット対話の複合ワークフロー化に適合。② **OpenAI互換API＋Docker 化**: 既存 LLM 基盤への埋め込み容易で、rqdb4ai の音声レイヤー拡張（Ollama の外部TTS化）の候補になる。③ **LoRA ファインチューニング**: 高コスト回避し、ユースケース特化の音声クローン育成が効率的。 ■ **結論** Kurage 動画化・デモ多言語化・ポッドキャスト自動化など、単純な TTS 以上の音声生成が必要な案件に検討価値あり。AudioBook 化・ライブ文字起こし（字幕自動生成）との組み合わせで活用幅広い。