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。

  • 解説
  • 約 7 分で読めます
  • 公開日

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

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