Kokoro と Pocket TTS の比較:どちらの超小型オープン TTS モデルを使うべきか?
Kokoro は 8 言語・54 個の固定ボイスを備え、Apache 2.0。Pocket TTS は 5 秒の音声からボイスを複製でき、6 言語対応で CC BY 4.0。どちらも CPU で動作します。
結論. 選ぶ基準は、ボイスのクローンが必要かどうかです。Kokoro(82M、327 MB)は 8 言語の 54 個の固定ボイスを備え、クローン非対応、シンプルな Apache 2.0 ライセンスで、当サイトでは圧倒的にダウンロード数の多い音声モデルですが、作者は個人開発者で、2025年2月以降は新しいモデルをリリースしていません。Pocket TTS(100M)は約 5 秒の音声から 6 言語のボイスを複製でき、改良を続けており、2026年10月にはずっと小さい英語モデルを公開しました。その重みは禁止用途への同意ゲート越しに CC BY 4.0 と記載されていますが、公開記事では MIT と述べられており、プリセットのボイスごとに独自のライセンスがあります。Kyutai のテストでは、Pocket TTS は単語誤り率が最低(1.84%)でしたが、話者類似度は他のボイスクローン モデルに及ばず、音声品質も Chatterbox Turbo に及びませんでした。Kyutai の報告では、どちらもノート PC の CPU でリアルタイムより速く動作します。
仕様
| 仕様 | Kokoro | Pocket TTS |
|---|---|---|
| 開発元 | hexgrad | Kyutai |
| リリース日 | 2025年1月27日 | 2026年1月13日 |
| 総パラメータ数 | 82M (Kokoro-82M v1.0) | 100M (Pocket TTS 100M (six languages)) |
| アクティブパラメータ数 | すべて | すべて |
| アーキテクチャ | その他 | その他 |
| コンテキストウィンドウ | – | – |
| 入力 | テキスト | テキスト, 音声 |
| ライセンス | Apache 2.0 (パーミッシブ) | CC BY 4.0 (パーミッシブ) |
| 最小バリエーションの必要メモリ(4ビット) | 0.38 GB (Kokoro-82M v1.0) | 0.127 GB (Pocket TTS 18M (English only)) |
性能に関する主張は開発元によるもので、独自検証は行っていません。
Kokoro を選ぶべきケース
- アクセスゲートのないシンプルな Apache 2.0 ライセンスで、固定ボイスで十分な場合。
- 日本語、中国語(普通話)、ヒンディー語が必要な場合(Pocket TTS は未対応、Kokoro は既成ボイスで対応)。
- コミュニティでの利用が最も広いモデルが欲しい場合:2026年11月11日までの 30 日間で約 1,250 万ダウンロード。
- 327 MB の小さなチェックポイントでよい場合。
Pocket TTS を選ぶべきケース
- 話者の同意を得たうえで、約 5 秒の音声からボイスを複製したい場合。
- ドイツ語やオランダ語が必要な場合(Kokoro は未対応)。
- 開発が続くプロジェクトが欲しい場合:Kyutai は 2026 年中に言語別モデル、学習コード、超小型の英語モデルを追加。
- さらに小さい英語モデルが欲しい場合:Kyutai 自身の測定で、18.2M 版は CPU 1 スレッドで実時間の 9.9 倍で動作。