CPU で動く超小型テキスト音声合成モデル:4 つのオープン選択肢を比較
Kokoro、Pocket TTS、Phonon 31M、Supertonic 3 は、ラップトップの CPU で動く 1 億パラメータ以下のオープン TTS モデルです。サイズ・言語・音声クローン・ライセンスを比較します。
1 億パラメータ以下のオープンなテキスト音声合成(TTS)モデル 4 つが、普通のラップトップの CPU で動くようになりました。Kokoro、Pocket TTS、Phonon 31M、Supertonic 3 です。Kyutai の Pocket TTS は 2026 年 1 月、Supertone の Supertonic 3 は 5 月、Gradium の Phonon は 10 月に登場し、Kokoro は 2025 年 1 月からあります。スペックシート上は似ていますが、どれを出荷できるかを決める違いがあります。
4 モデル早見表
| モデル | サイズ | 言語 | 音声クローン | 重みのライセンス |
|---|---|---|---|---|
| Kokoro(hexgrad) | 82M、327 MB | 8 言語、54 ボイス | 不可 | Apache 2.0 |
| Pocket TTS(Kyutai) | 100M、0.22 GB | 6 言語(README にはオランダ語も記載) | 可、約 5 秒から | 禁止用途ゲート付き CC BY 4.0 |
| Phonon 31M(Gradium) | 31M、64.5 MB | 英語のみ | 不可、API のみ | Apache 2.0 |
| Supertonic 3(Supertone) | 99M、約 400 MB | 31 言語、中国語なし | 不可、プリセット 10 ボイス | OpenRAIL-M |
速度と品質は自己申告
以下の数値はすべて、各モデルの開発者が異なるハードウェアとテストセットで測ったものです。Kyutai は、Pocket TTS が MacBook Air M4 の 2 CPU コアで実時間の約 6 倍の速さで動くと報告し、ラップトップ比較で CPU 上で実時間より速かったのは Pocket TTS と Kokoro の 2 モデルだけだったとしています。10 月のアップデートでは、1 CPU スレッドで実時間の 9.9 倍と 25 倍で動く 18.2M と 1.9M パラメータの英語モデルが追加されました。Gradium は、Phonon 31M がラップトップ CPU で約 7 ms で発話を開始すると述べています。Supertone は、Supertonic 3 が A100 で測定したより大きなモデルと比べても CPU 上で高速に動くとしています。
品質の主張も揃いません。Gradium の英語テストでは、Phonon 31M が Elo 2,098 を獲得し、Kokoro は 2,043 です。Kyutai のテストでは、Pocket TTS は単語誤り率 1.84% と 4 モデル中最低ですが、音声品質では Chatterbox Turbo に後れを取り、音声クローン 4 モデルの中で話者類似度が最も低いとされます。選ぶ前に自分のテキストで聞いてみてください。
サイズよりライセンスがものを言う
重みに素の Apache 2.0 を使っているのは Kokoro と Phonon 31M だけです。Pocket TTS は Hugging Face では、なりすまし・欺瞞・違法コンテンツを禁じる告知付きの CC BY 4.0 とされていますが、Kyutai の公開記事では MIT としており、ダウンロード元のリポジトリを確認してください。各プリセットボイスには個別のライセンスがあり、クローン機能を持たない姉妹リポジトリはゲートなしです。Supertonic 3 は OpenRAIL-M を使います。これは商用利用を許す OpenRAIL ライセンスですが、すべてのコピーと派生物に禁止用途のリストを表示することを求めます。Phonon のより大きな 40M モデルは CC BY-NC で、商用利用は自由ではありません。
失うもの
小型モデルは制御性を犠牲にします。Kokoro のボイスは固定で、その多くはおよそ 100〜200 トークンのテキストで最も良く機能し、長いテキストは分割すべきです。Pocket TTS はテキスト内の無音によるポーズ挿入ができず、GPU の使用は公式サポート外です。Phonon 31M は長い入力を文単位に分割するため、抑揚がテキスト全体にわたって続かず、他の言語を英語の発音で読みます。Supertonic 3 にはプリセット 10 ボイスがあり、クローンは Supertone のホステッドサービス経由でのみ提供されていました。長編ナレーションや多数のカスタムボイスが必要なら、GPU 上のより大きなモデルのほうが適しています。
どれを選ぶか
- 最小のファイル(英語): Phonon 31M は 64.5 MB で 37 ボイスを持ち、Python、Rust、C・C++、Swift、Android、ブラウザ向けのランタイムがあります。
- CPU での音声クローン: Pocket TTS は 6 言語でボイスをクローンできますが、まずゲートとボイスのライセンスを読んでください。
- 最も広く使われている: Kokoro は 2026 年 11 月 11 日までの 30 日間で約 1,250 万ダウンロードがあり、既成ボイスの種類が最も豊富です。音声クローンはできず、最後のモデルリリースは 2025 年 2 月です。
- 韓国語・日本語・アラビア語を含む多言語: Supertonic 3。ただし Supertone は 2026 年 9 月にプロジェクトをアーカイブしたため、修正は期待できません。
- ローカルで動くより大きなモデル: ZONOS3-Mini は 8 億パラメータですがアクティブは約 1 億で、43 言語の音声クローンに対応し、Zyphra によればラップトップ・スマートフォン・ブラウザで実時間再生が可能です。Apache 2.0 で 2026 年 11 月 9 日リリースのため、実績はまだ少ないです。
- この比較の外にある CPU 選択肢 2 つ: OpenMOSS の MOSS-TTS-Nano は約 1 億パラメータでクローンに対応、約 20 言語を列挙し、48 kHz ステレオを出力します。OpenMOSS によれば ONNX 版は MacBook Air M4 の 1 コアで滑らかに動きました。VieNeu-TTS v3 はベトナム語と英語向けの 131M モデルで 23 ボイスとクローンを持ち、カードでは fp32 の CPU で最初の音声まで約 300 ms とされています。どちらも Apache 2.0 で、いずれのプロジェクトも音声モデルの品質ベンチマークを公開していません。
最高のオープンソース TTS モデルの一覧はより大きな選択肢もランク付けしており、TTS モデルの選び方では判断の進め方を解説します。音声クローンでは、これらのライセンスが参照する同意のルールを説明しています。
出典
- Kokoro-82M model card (Hugging Face) huggingface.co
- Pocket TTS: a high-quality TTS with voice cloning that runs on CPU (Kyutai, 13 Jan 2026) kyutai.org
- The tiny TTS was actually 10x too big (Kyutai, 20 Oct 2026) kyutai.org
- Pocket TTS model card and prohibited-use notice (Hugging Face) huggingface.co
- Phonon 31M English model card (Hugging Face) huggingface.co
- Open-Sourcing Phonon, a suite of frontier on-device TTS models (Gradium) gradium.ai
- ZONOS3-Mini (Zyphra blog, 9 Nov 2026) zyphra.com
- Supertonic 3 model card (Hugging Face) huggingface.co
- Supertonic repository, archived on 9 Sep 2026 (GitHub) github.com
- MOSS-TTS-Nano repository (GitHub) github.com
- VieNeu-TTS v3 Turbo model card (Hugging Face) huggingface.co
この記事で取り上げているモデル
| モデル | リリース日 | パラメータ数 | コンテキスト | ライセンス | 最小バリエーションの必要メモリ |
|---|---|---|---|---|---|
| Kokoro EN hexgrad | 82M | – | Apache 2.0 (パーミッシブ) | 0.38 GB ノートPCまたはスマートフォン | |
| Pocket TTS EN Kyutai | 18M – 100M | – | CC BY 4.0 (パーミッシブ) | 0.127 GB ノートPCまたはスマートフォン | |
| Phonon 31M EN Gradium | 31M | – | Apache 2.0 (パーミッシブ) | 0.0747 GB ノートPCまたはスマートフォン | |
| Supertonic 3 EN Supertone | 99M | – | OpenRAIL-M (条件付き) | 0.46 GB ノートPCまたはスマートフォン | |
| ZONOS3-Mini EN Zyphra | 800M アクティブ 100M | – | Apache 2.0 (パーミッシブ) | 10 GB ノートPCまたはスマートフォン | |
| MOSS-TTS-Nano EN OpenMOSS | 100M | – | Apache 2.0 (パーミッシブ) | 0.276 GB ノートPCまたはスマートフォン | |
| VieNeu-TTS v3 EN Phạm Nguyễn Ngọc Bảo (VieNeu-TTS) | 48M – 131M | – | Apache 2.0 (パーミッシブ) | 0.322 GB ノートPCまたはスマートフォン |