Kokoroによるローカル、CPUフレンドリー、高品質なTTS(テキスト読み上げ)
Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro (ariya.io)
要約
この記事では、ローカル環境で動作し、CPUのみで高品質な音声合成を実現するKokoroというモデルを紹介しています。プライバシーを保護しつつ、8200万パラメータで多言語対応、約50種類の音声を提供します。Dockerコンテナでの簡単なセットアップ方法や、OpenAI互換APIへの対応、そしてCPUでの合成速度についても解説しています。
全文翻訳
KokoroによるローカルでCPUフレンドリー、高品質なTTS(Text-to-Speech)
2026年3月31日
ほんの数年前まで、リアルなローカル音声生成は想像もつかないことでした。今日では、その品質は驚くほど高く、そして最も重要なことに、プライバシーを犠牲にすることなくこれらの結果をもたらします。
上の動画は、以前の記事「GTX 1080 Ti for Local LLM」で議論したローカルマシン上で完全に動作するサンプルテキストから生成された音声を紹介しています。このマシンには専用のGPUがありますが、GPUはLLM推論のために完全に予約されており、音声合成は完全にCPUによって処理されています。
使用されているモデルはKokoroで、わずか8200万パラメータしかないにもかかわらず、英語、中国語、ヒンディー語を含む複数の言語でリアルな音声を生成します。主に英語向けに最適化された約50種類の異なる音声を提供します。
Kokoroのサーバーをセットアップするにはいくつかの方法があります。最も簡単な方法は、事前にダウンロードされた音声モデルを含む「Kokoro-FastAPI」という名前の既製コンテナイメージを使用することです。そのため、コンテナイメージは約5GBとかなり大きいです。
DockerまたはPodmanを使用してコンテナを起動するには、次のコマンドを使用します。
podman run -p 8880:8880 ghcr.io/remsky/kokoro-fastapi-cpu
正しく動作することを確認するには、コンテナはlocalhost:8880/webでシンプルなWeb UIを提供します。ここで、テキストを入力して音声を生成(および自動再生)できます。
[画像: Kokoro web UI]
シンプルなWeb UIに加えて、このコンテナはOpenAI Speech APIと互換性のあるTTSインターフェースも提供しており、OpenAI Speech APIを既に利用している既存のプログラムを簡単に適応させることができます。迅速なテストを容易にするために、JavaScriptとPythonの両方でサンプルコードがgithub.com/remotebrowser/speakで利用可能です。このリポジトリをクローンすることで、後続のデモンストレーションに従うことができます。
JavaScriptの場合:
export TTS_API_BASE_URL=http://127.0.0.1:8880/v1
./speak.js "Good morning! How are you today?"
Pythonの場合、コマンドは非常に似ています。
export TTS_API_BASE_URL=http://127.0.0.1:8880/v1
./speak.py "Good morning! How are you today?"
生成された音声はMP3ファイルとして保存されます。お使いのマシンにSoXまたはSound eXchange(詳細はsox.sf.netを参照)がインストールされている場合、音声は自動的に再生されます。
TTS_VOICE環境変数を設定することで、別の音声を選択することもできます。
export TTS_API_BASE_URL=http://127.0.0.1:8880/v1
export TTS_VOICE="am_eric"
./speak.js "Good morning! How are you today?"
利用可能な音声の完全なリストは、公式のKokoroプロジェクトページで見つけることができます:huggingface.co/hexgrad/Kokoro-82M/blob/main/VOICES.md。
合成はどのくらい速いのでしょうか?am_eric音声を使用して短いテスト段落で測定した結果を以下に示します。
Jupiter is the largest and most massive planet in our solar system. This gas giant, made mostly of hydrogen and helium, is known for its Great Red Spot—a massive storm observed for centuries.
次のリストは、さまざまなCPUでの生成時間(3回の実行のうち最良値)をまとめたものです。
- Intel Core i7-4770K: 4.7秒
- Apple M2 Pro: 4.5秒
- AMD Ryzen 7 8745HS: 1.5秒
リストの最初のCPUは12年前にリリースされたものです。その古いCPUでも問題なく動作するなら、これが非常に有能なTTSシステムであることがわかります。
最後に、別のOpenAI互換コンテナ化TTSサービスとして、Speaches(speaches.ai)を検討してください。Kokoro-FastAPIとは異なり、Speachesはコンテナイメージにバンドルされていないため、API経由で音声ウェイトを明示的にダウンロードする必要があります。しかし、Speachesは、OpenAIで有名な高品質なSpeech-to-Text(STT)システムであるWhisperを含んでいるという利点があります。アプリケーションでTTSとSTTの両方の機能が必要な場合、Speachesがワンストップソリューションになる可能性があります。
ローカルLLMと組み合わせることで、このような音声合成システムにより、LLMの回答を読むのではなく、聞くことができるようになります!
注:この記事は元々、Remote Browser Substackに掲載されました。