Piper TTS - プロジェクト概要

VITS ベースの高品質ニューラル TTS。6言語マルチリンガルモデルを学習済み、8言語の G2P コードを実装済み。ランタイムと配布物の対応は下記のパッケージ表および各仕様書を参照してください。

基準ブランチ: dev。root VERSION は 2.0.2。v1.12 / v2.0 の破壊的変更は docs/migration/v1.12-to-v2.0.md と docs/migration/v1.11-to-v1.12.md を参照してください。

Research / archive and publication pointers

研究用の v7 zero-shot 学習結果と手順は、重複した agent context ではなく次の文書を正本とします。

• v7 学習結果・根本原因 — epoch 32、6言語、571話者、研究上の修正と評価。
• zero-shot handoff — private/gated 研究保存先、旧 /data/piper パス、再現・再開手順。
• 品質改善計画 — historical findings と未完了の改善計画。
• 公開モデルカタログ — legacy root、public releases/zs-v1、private/gated research stores の区別。
• public zs-v1 release record — pinned public base の配布・検証記録。
• Tsukuyomi publication record — public releases/zs-v1 の公開記録と品質上の制約。

旧 root model.ckpt / config.json、piper-v11-local、output/、private/gated research stores は歴史的・研究用資産として保持します。public zs-v1 と legacy root の設定・用途を混同しないでください。

現在の状態

学習済みモデル (6言語マルチリンガル)

本表は開発・研究用の状態を示します。user / 外部参照向けの HF 配布カタログ (ダウンロードリンク + zero-shot variants 含む) は docs/guides/development/pretrained-models.md を参照してください。

データセット

6lang 内訳: ja 60,148 (20話者, MOE-Speech) / en 74,912 (310, LibriTTS-R) / zh 63,223 (142, AISHELL-3) / es 168,374 (63, CML-TTS) / fr 107,464 (28, CML-TTS) / pt 34,066 (8, CML-TTS)。言語コード: ja=0, en=1, zh=2, es=3, fr=4, pt=5。

前処理: src/python/piper_train/tools/prepare_multilingual_dataset.py

開発環境セットアップ

clone 直後 1 回だけ実行 (commit 時の lint drift / format drift を CI 待ち前に検出):

pip install pre-commit  # または: uvx pre-commit
pre-commit install      # .git/hooks/pre-commit を生成

これで git commit 時に ruff (check + format) と PUA consistency が自動実行され、 drift があれば commit がブロックされます (auto-fix も適用)。手動全件確認は pre-commit run --all-files。

Pre-push 段階 (opt-in、推奨):

pre-commit install --hook-type pre-push   # .git/hooks/pre-push を追加生成

git push 直前に 4 つの contract gate (loanword / PUA / language parity / CHANGELOG unreleased) を full-repo で実行 (~20-30 秒)。SKIP=... で commit 時に gate を bypass した場合でも push 前に drift を検出できる。bypass は git push --no-verify。

Why: PR #401 で ruff format 漏れが 2 度起きた (commits 5d9c60e6 / 8dc19e3b)。 CI 検出 (~12 秒) → 修正 → commit → push の cycle of shame を断つため、 ローカル commit 時点で format drift を fail-fast。CI 側にも .github/workflows/pre-commit.yml で同じ hook を gate 化済み (install 忘れ しても PR 時に検出)。

ruff version pin: .pre-commit-config.yaml の rev: vX と .github/workflows/lint-gates.yml (python-lint step) の pip install ruff==X、加えて pyproject.toml の 3 dependency group エントリ (合計 5 箇所) は同期必須。 drift = local-clean / CI-fail mismatch (PR #401 の根本原因の一つ)。 scripts/check_ruff_version_sync.py (lint-gates.yml の ruff-version-sync step) で 5 箇所一致を CI gate (本 gate がなければ Dependabot uv-workspace PR が pyproject.toml だけ bump → drift → 後追い PR が発生する)。 ci.yml は PR #462 で ruff job を削除済み (旧 python-lint.yml と重複) のため pin サイトではない。 site 一覧に載る場所が pin を失った場合は gate が 落ちる (EXPECTED_PIN_COUNT) — 以前は無言で skip され、 pin が消えた ときに限って gate が緑になっていた。

ローカルテスト実行 (特に macOS)

各ランタイムを CI と同条件でローカル実行する際の注意点 (macOS で検証済み):

• Python: uv sync --extra dev で pytest-cov 等を入れてから uv run --no-sync pytest <dir> --no-cov。bare uv sync は plugin を入れず pytest.ini の addopts=--cov で usage error (exit 4) になる。
• Rust: per-crate (cargo test -p piper-plus 等) で実行。cargo test --workspace は piper-plus-python (pyo3 auto-initialize) を含み、macOS の framework Python (/usr/bin/python3) では @rpath 解決失敗で SIGABRT。全 crate を回すなら cargo test --workspace --exclude piper-plus-python --exclude piper-plus-wasm (python は maturin / wasm は wasm-pack で別途テスト)。
• Go: src/go と src/go/phonemize は別 go.mod。両方で go test ./... する。
• npm (openjtalk-web): npm install "@piper-plus/g2p@file:../g2p" でローカル g2p をリンク (registry 版は古いと isSsml 等の root export を欠く)。生成された file: リンクの lockfile は commit しない (lockfile-size gate)。
• C++: cmake -B build -DBUILD_TESTS=ON && cmake --build build -j && ctest --test-dir build (ORT/OpenJTalk は cmake が自動 DL、sudo 不要)。
• Swift: release 用 Package.swift は未リリース xcframework を参照するため swift test が 404。CI と同じ manifest swap か tag リリース後に実行する。

学習テンプレート

6lang ベース学習は完了済み。新規 FT を行う際は Template B を使う。

Template A: 事前学習 (Multi-speaker pretraining)

export WANDB_API_KEY=$(grep WANDB_API_KEY /data/piper/.env | cut -d= -f2) && \
NCCL_DEBUG=WARN NCCL_P2P_DISABLE=1 NCCL_IB_DISABLE=1 \
nohup /data/piper/.venv/bin/python -m piper_train \
    --dataset-dir <DATASET_DIR> \
    --prosody-dim 16 \
    --accelerator gpu --devices 4 --precision bf16-mixed \
    --max_epochs <EPOCHS> --batch-size 20 --samples-per-speaker 2 \
    --checkpoint-epochs 5 --quality medium \
    --base_lr 2e-4 --disable_auto_lr_scaling \
    --ema-decay 0.9995 --max-phoneme-ids 400 \
    --audio-log-epochs 5 \
    --default_root_dir <OUTPUT_DIR> > training.log 2>&1 &

Template B: シングルスピーカー ファインチューニング

export WANDB_API_KEY=$(grep WANDB_API_KEY /data/piper/.env | cut -d= -f2) && \
NCCL_DEBUG=WARN NCCL_P2P_DISABLE=1 NCCL_IB_DISABLE=1 \
nohup /data/piper/.venv/bin/python -m piper_train \
    --dataset-dir <FINETUNE_DATASET> \
    --prosody-dim 16 \
    --accelerator gpu --devices 1 --precision bf16-mixed \
    --max_epochs 500 --batch-size 4 --samples-per-speaker 4 \
    --checkpoint-epochs 50 --quality medium \
    --base_lr 2e-5 --disable_auto_lr_scaling \
    --ema-decay 0.9995 --max-phoneme-ids 400 \
    --val-every-n-epochs 50 --audio-log-epochs 50 \
    --resume-from-multispeaker-checkpoint <BASE_CHECKPOINT> \
    --default_root_dir <OUTPUT_DIR> > training.log 2>&1 &

A vs B 主要差分

B (FT) は A から --devices 1、--base_lr 2e-5 (1/10 で catastrophic forgetting 防止)、--batch-size 4、--max_epochs 500、--freeze-dp 自動有効、--audio-log-epochs 50 (Validation 頻度に合わせ) を変更。HiFi-GAN ckpt からの resume/FT は v1.12.0 で明示エラー (MB-iSTFT base から再 FT)。

Precision の選び方 (Issue #527 / DR-008 適用後)

• --precision bf16-mixed (default、 Template A/B canonical) — Ada 6000 / RTX 5090 で BF16 native Tensor Core を活用、 numerical stable (FP16 より loss spike しにくい、 loss scaling 不要)。 TF32 enable (DR-007) と直交、 両方の恩恵を受ける
• --precision 16-mixed (旧 default、 legacy) — T4 等 sm_75 以下で BF16 native 非対応の場合、 ただし VITS 推論用途中心
• --precision 32-true (legacy V100 互換) — 数値再現性最優先 (torch.use_deterministic_algorithms(True) 併用時)、 通常学習では非推奨

過去 ckpt resume 非サポート (Issue #527 / DR-006): v2.0 では torch 2.11 + cu128 環境で旧 ckpt (torch 2.2 製) の resume を保証しない。 継続学習が必要なユーザは v1.12 Docker image tag を継続利用 (registry 長期保持)。 新規学習は from scratch、 もしくは torch 2.11 で生成した base からの FT のみ対応。

実装済み機能

Decoder & 生成

• MB-iSTFT-VITS2 Decoder (vits/mb_istft.py, vits/stft_onnx.py) — HiFi-GAN を完全置換、CPU Decoder 単体で 2.21x 高速化 (HiFi-GAN 168.2ms → MB-iSTFT 76.2ms / 100 phoneme p50、PR #320 内部 A/B microbench)。End-to-end の Latency P50 は README.md の Benchmark 表 (Xeon E5-2650 v4 / 25 phoneme 英文 / warmup 5 + 30 runs で 27ms) を canonical 値とする (測定環境・テスト長が異なるため別値)。upsample_rates=(4,4) + iSTFT(4x) + PQMF(4x) = 256x。出力形状 [B, 1, T] 維持で C#/Rust/Go/WASM/C++ ランタイム変更不要。CLI: --c-sub-stft (sub-band STFT loss 係数; hparams sub_stft_{fft,hop,win}_sizes は config-only)。Issue #268, PR #320。
• WavLM Discriminator (vits/models.py:WavLMDiscriminator) — 学習時のみ知覚品質判別。GPU +1-2GB。CLI: --no-wavlm, --wavlm-every-n-steps, --c-wavlm。T4 (VRAM 16GB) では --no-wavlm 推奨 (VRAM 制約)。 Ada 6000 (48GB) / RTX 5090 (32GB) では WavLM 利用可、 Template default も WavLM 有効。
• prosody_features (A1/A2/A3) (vits/models.py) — OpenJTalk 由来の韻律情報を DP 入力に活用。CLI: --prosody-dim 16 (デフォルト)。
• EMA + stochastic — ONNX エクスポート時に EMA 自動適用 (チェックポイントに state あれば)。--no-stochastic で deterministic。

学習補助

• Duration Predictor 凍結 (vits/lightning.py:configure_optimizers) — CLI --freeze-dp で DP 凍結。--resume-from-multispeaker-checkpoint 使用時は自動有効。テスト: src/python/tests/test_freeze_dp.py。
• 転移学習 (__main__.py:load_multispeaker_checkpoint) — CLI --resume-from-multispeaker-checkpoint で emb_g 除去 + emb_lang 補正 + freeze-dp を一括実行。HiFi-GAN ckpt は明示エラー。
• 言語グループ均等サンプリング (vits/dataset.py:SpeakerBalancedBatchSampler) — 話者比 ≥ 3:1 で自動有効化。CLI: --language-balanced-sampling。
• 学習高速化 — Validation 頻度削減、DataLoader 最適化 (num_workers=2, pin_memory)、DDP find_unused_parameters=True。CLI: --val-every-n-epochs, --limit-val-batches, --num-workers, --no-pin-memory。
• WandB Audio Logging (vits/lightning.py:on_validation_epoch_end) — Validation 時に音声サンプルアップロード。CLI: --audio-log-epochs, --num-test-examples。
• エネルギー VAD 高速キャッシュ (norm_audio/__init__.py) — Silero ONNX VAD を numpy エネルギー VAD に置換、~25x 高速化 (~390ms → ~8ms/file)。
• Super-MAS Triton-GPU MAS accelerator (vits/monotonic_align/__init__.py) — arXiv:2409.07704 (Park et al., 2024)。 CUDA tensor + super_monotonic_align package 利用可能時に Triton kernel に dispatch、 19-72x 高速化 (報告値)。 既存 Cython は CPU / package 未導入 / PIPER_PLUS_DISABLE_SUPER_MAS=1 時のフォールバックとして温存。 推論経路への影響ゼロ (学習時 SynthesizerTrn.forward 内 1 箇所のみ呼び出し)。 Opt-in install: pip install "piper-train[super-mas]" (PyPI 非配布、 git+https のみ)。 algorithmic equivalence (upstream は bit-identical を明示保証しないが max_neg_val edge case 修正済)。

ONNX エクスポート

• FP16 デフォルト (export_onnx.py) — モデルサイズ ~50% 削減。CLI: --no-fp16 で無効化。
• emb_lang 自動統一 (export_onnx.py:should_unify_emb_lang) — シングルスピーカー多言語モデルで自動有効化、声質統一。CLI: --unify-emb-lang / --no-unify-emb-lang (auto), --unify-emb-lang-source N。テスト: src/python/tests/test_export_onnx.py。
• Speaker Embedding 入力パス (vits/models.py:infer, export_onnx.py) — speaker_embedding テンソルで声質指定、speaker_id と排他。export CLI: --export-mode auto|zero-shot|sid (sid は非推奨で zero-shot に fallback)。推論 CLI (infer_onnx.py): --speaker-embedding, --reference-audio, --speaker-encoder-model。テスト: src/python/tests/test_speaker_embedding.py。

Voice Cloning

• Speaker Encoder (ECAPA-TDNN) (src/python/piper_train/speaker_encoder/) — 256 次元 L2 正規化 embedding。テスト: test/test_speaker_encoder.py (legacy 位置、その他は src/python/tests/ 配下)。
• ランタイム別 voice cloning — Rust/Go/C#/WASM は --reference-audio と --speaker-encoder-model から embedding を生成でき、各 runtime は speaker_embedding 入力にも対応。C++ は pre-computed --speaker-embedding の入力のみ実装し、--reference-audio / ECAPA-TDNN 推論と C API の speaker encoder は未実装 (stub)。CLI フラグと対応範囲は runtime ごとの help を確認する。

G2P (8言語)

MultilingualPhonemizer が UnicodeLanguageDetector で言語自動検出、各言語 Phonemizer に委譲。

PT BR/EU 切替: pt と pt-BR は Brazilian Portuguese (BR、 後方互換のため pt は BR alias を維持)、 pt-PT/pt-pt は European Portuguese (EU、 全 8 ランタイム実装)。 PortuguesePhonemizer(dialect=Dialect.BR | Dialect.EU) で同一クラス内 dialect 切替。 EU は BR との 5 主要差分 (t/d palatalisation / final-e / final-s / coda-l / r-realization) を post-processing で表現。 IPA 専用 codepoint ɨ (中央母音) と ɫ (velarised lateral) を PUA contract に追加。 仕様: docs/spec/pt-dialect-contract.toml。

学習済みモデルは 6 言語 (sv/ko 未含有)、コードは 8 言語対応。

実装: src/python/g2p/piper_plus_g2p/{multilingual,japanese,english,chinese,korean,spanish,portuguese,french,swedish}.py (学習側) / src/python_run/piper_plus/phonemize/ (ランタイム側)。 ABC + レジストリ: g2p/piper_plus_g2p/{base,registry}.py。

G2P 詳細機能 (日本語)

• 疑問詞マーカー拡張 (japanese.py:_get_question_type) — ?! 強調 / ?. 平叙 / ?~ 確認 (Issue #204)。
• 文脈依存 N バリアント (japanese.py:_apply_n_phoneme_rules) — 「ん」を後続音で 4 種に分類: N_m / N_n / N_ng / N_uvular (Issue #207)。

G2P 詳細機能 (中国語)

• ZH-EN 混在ピンイン化 (chinese.py:phonemize_embedded_english) — 中国語に隣接する英単語 (acronym/loanword) を米国英語ではなく Mandarin pinyin で発音。MultilingualPhonemizer が [zh,en,zh]/[zh,en]/[en,zh] パターンを自動検出してディスパッチ。辞書 (canonical source): src/python/g2p/piper_plus_g2p/data/zh_en_loanword.json (acronyms 66 / loanwords 40 / letter_fallback 26 (A-Z))。カスタム上書きは ChinesePhonemizer(zh_en_loanword_dict_paths=...)。全 10 mirror 同期 (Python canonical + Rust 2 crate / Go / C# / WASM / C++ / Kotlin Android / Swift G2P)。CI gate ZH-EN Loanword Sync Gate / json-sync が mirror + fixture の byte-for-byte 一致を強制 (scripts/check_loanword_consistency.py、/check-loanword skill)。Forward-compat loader: 全ランタイムで schema_version: 2 の未来フィールド受理を pinning。Issue #384, docs/reference/zh-en-loanword/README.md。

G2P 詳細機能 (スウェーデン語)

• 単語単位 言語判定 (per-word LID) (multilingual.py / UnicodeLanguageDetector) — å/ä/ö を含む sv 語 (例: så/och/för/är) の英語誤判定を修正 (Issue #539、#297 で実装 → #300 抽出で Python/Rust から脱落した回帰を復旧)。保守的ポリシー: strong indicator = å/Å (strong_chars) または 46 語の function-word リスト完全一致のみ。ä/ö 単独は独語/フィンランド語/借用語と共有のため weak (NOT strong_chars)。辞書 (canonical source): src/python/g2p/piper_plus_g2p/data/sv_function_words.json。全ランタイム同期 (Python canonical + Python runtime / Rust 2 crate / Go / C# / WASM / C++ = 7 データミラー)。CI gate Swedish LID Sync Gate / json-sync が ZH-EN loanword gate と同型で 7 データミラー + 6 fixture matrix ミラーの byte-for-byte 一致を強制 (scripts/check_swedish_lid_consistency.py + docs/spec/swedish-lid-mirrors.toml)。Forward-compat loader: schema_version: 2 の未来フィールド受理を pinning。docs/reference/swedish-lid/README.md。

ランタイム共通機能

• CPU 推論最適化 (Tier 1-2) — 4 言語実装で ORT セッション設定統一、Warmup 2 回 (100 phonemes、scales=[0.667,1.0,0.8])、.opt.onnx+.ok キャッシュ、JA 音素化 LRU キャッシュ (Python のみ)。仕様: docs/spec/ort-session-contract.toml。CLI: --no-warmup。env: PIPER_PLUS_DISABLE_WARMUP, PIPER_PLUS_DISABLE_CACHE, PIPER_PLUS_INTRA_THREADS, PIPER_PLUS_G2P_PARALLELISM (G2P 文単位並列度、=1 で逐次の旧挙動。Issue #383 / PR #403)。
• 短テキスト合成品質改善 (Strategy A/B/C) — 全 6 ランタイム (Python/Rust/C#/Go/WASM/C++) 並列実装。A: Silence Padding + Post-trim、B: Dynamic Scales、C: SSML <break> 自動挿入 (SSML 実装ランタイムでのみ)。仕様: docs/spec/short-text-contract.toml。
• ストリーミング文単位分割 — 終止符 ./!/?/。/！/？/． で分割し文ごとに音素化・推論・yield。SSML は単一ユニット。Python: src/python_run/piper_plus/text_splitter.py、Rust: piper-core/src/streaming.rs、他言語: 同等実装。仕様: docs/spec/text-splitter-contract.toml。Breaking (v1.12.0): Python PiperVoice.phonemize() が単一要素から複数要素へ (詳細: マイグレーションガイド)。
• SSML 基本サポート (Python/Rust/C#/Go/WASM/C++ の 6 ランタイム + G2P-only npm 解析 API) — <speak>, <break>, <prosody rate> を W3C サブセットで実装。実装: g2p/piper_plus_g2p/ssml.py, piper-plus-g2p/src/ssml.rs (Rust canonical), PiperPlus.Core/Ssml/SsmlParser.cs, go/piperplus/ssml/parser.go, wasm/g2p/src/ssml.js (npm @piper-plus/g2p), src/cpp/ssml.{hpp,cpp} (CLI --ssml 経由、C API 非エクスポート)。 piper-core は piper-plus-g2p::ssml を re-export (API 互換維持)。 piper-wasm は同パーサーを isSsml / parseSsml で WASM expose (TTS 統合は openjtalk-web の synthesizeSsml 側で iterate して silence 挿入 + length_scale 切替)。
• Phoneme Timing 出力 — 仕様 docs/spec/phoneme-timing-contract.toml の (hop_length / sample_rate) × 1000 と fixture parity を各実装が共有する。出力形式と公開面は runtime ごとに異なり、Python HTTP は JSON/TSV、C# CLI は JSON/TSV、Rust/Go/C++ CLI は JSON/TSV/SRT、WASM は AudioResult.timing と formatter API を提供する。WASM streaming/SSML、C++ SSML、C# の未配線 formatter には timing 制限がある。Python: piper_plus.timing、PiperVoice.synthesize_with_timing()、HTTP /api/phoneme-timing。WASM: AudioResult.timing (deep frozen)。byte parity の範囲と例外は仕様および golden fixture を参照する。

ランタイム別パッケージ

主な追加機能 (ソースブランチの対応): モデル名自動解決 (--model tsukuyomi でエイリアス + 自動 DL)、カスタム辞書 (JSON v1/v2 / TSV)、[[ phoneme ]] インライン音素記法 (C#/Python)、--sentence-silence / --phoneme-silence 制御、--list-models 言語フィルタ。base / zero-shot-base-zs-v1 alias は Python 2.0.2 に収録され、旧 2.0.0 / 2.0.1 にはないため、公開 package の catalog は docs/guides/development/pretrained-models.md を確認する。

サーバー / Docker / 統合

• OpenAI 互換 TTS API (docker/python-inference/inference.py) — FastAPI ベース、/v1/audio/speech、/v1/models、/v1/audio/speech/languages、/health、/api/phoneme-timing。テスト: test_openai_api.py。
• WebUI (Gradio) (docker/webui/app.py) — 6lang モデル対応。CI: consumer-contracts.yml が environments/webui で WebUI のテスト (docker/webui/test_app.py を含む) を実行。ドキュメント: docs/features/webui.md。
• Wyoming Docker + HA 統合 (docker/wyoming/) — Home Assistant 連携。ガイド: docs/guides/integration/home-assistant.md。
• MOS ベンチマーク (tools/benchmark/) — サンプル生成、PESQ/STOI 計算、調査フォーム生成。ドキュメント: docs/benchmark-mos.md。
• iOS/Android ビルド CI (release-shared-lib.yml, cmake/ios.toolchain.cmake) — libpiper_plus を iOS arm64 / Android (arm64-v8a/armeabi-v7a/x86_64) でクロスコンパイル。iOS は xcframework (device + simulator universal) として配信、Package.swift 経由で SPM 利用可能。Apple-embedded プラットフォーム検出は PIPER_APPLE_EMBEDDED 変数で集約 (CMakeLists.txt)、OpenJTalk 関数は src/cpp/openjtalk_ios_stub.c で stub 化。詳細: docs/guides/platform/ios-integration.md、docs/reference/ios-shared-lib.md。
• モデル投稿ガイド — CONTRIBUTING_MODELS.md + GitHub Issue テンプレート (.github/ISSUE_TEMPLATE/model-{request,submission}.yml)。

主要ファイル索引

Python (学習側)

Python (ランタイム側 + G2P)

横断的な仕様 / ドキュメント

各言語ランタイム

基本コマンド

ONNX エクスポート

# 推奨 (EMA + stochastic + FP16 + emb_lang 自動統一)
CUDA_VISIBLE_DEVICES="" uv run python -m piper_train.export_onnx \
    /path/to/checkpoint.ckpt /path/to/output.onnx

推論

# テキスト直接 (6lang multilingual)
CUDA_VISIBLE_DEVICES="" uv run python -m piper_train.infer_onnx \
    --model <model.onnx> --config <config.json> --output-dir <out> \
    --text "こんにちは" --language ja-en-zh-es-fr-pt --speaker-id 0 --noise-scale 0.667

# Voice Cloning (参照音声から)
CUDA_VISIBLE_DEVICES="" uv run python -m piper_train.infer_onnx \
    --model <model.onnx> --config <config.json> --output-dir <out> \
    --text "こんにちは" \
    --reference-audio <ref.wav> --speaker-encoder-model <encoder.onnx> \
    --language ja-en-zh-es-fr-pt

--language の言語コード順は任意 (内部で canonical key に正規化)。

JSONL 入力 (phoneme_ids 直接指定):

cat test.jsonl | uv run python -m piper_train.infer_onnx --model <model.onnx> --output-dir <out>
# 1 行 1 発話: {"phoneme_ids": [...], "speaker_id": 0, "prosody_features": [{"a1": -2, ...}]}

トラブルシューティング

外部リソース

Automation (skill / hook / pre-commit)

開発作業の繰り返しを skill / pre-commit / pre-push gate に落とし込んでいる。 詳細仕様は .claude/README.md。 主要 skill 一覧:

pre-commit / pre-push gate は .pre-commit-config.yaml に集約 (119 hook、 うち id に contract を含む gate 19、 cross-language formatter 6 言語)。 各 hook の trigger 条件と既知パターンは .claude/README.md を参照。

アーカイブ: バイリンガル版 (v2/v3/v4) の履歴

v2/v3/v4 は 6lang に置き換え済み。詳細・旧データセットパス・つくよみちゃん FT 履歴 (v3→v4→6lang-v2 の段階的改善、emb_lang コピーや --freeze-dp の learnings) は git 履歴 (git log --grep="bilingual\\|v[234]") または CHANGELOG-archive.md を参照。