ローカルCPUで高品質TTSを実現するKokoro
原題: Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro
なぜ重要か
ローカルLLMとの組み合わせにより、クラウド依存ゼロでTTS・STT・LLMを完結させるプライバシー重視のAIスタックが現実的な選択肢となりつつある。
2026年3月31日、ariya.ioはオープンソースのText-to-Speechモデル「Kokoro」を用いたローカル音声合成の実装方法を紹介した。パラメータ数わずか82Mながら英語・中国語・ヒンディー語など複数言語に対応し、約50種類の音声を提供。GPU不要でCPUのみで動作し、プライバシーを損なわずに高品質な音声生成が可能だ。
Kokoroは82Mパラメータという軽量設計にもかかわらず、複数言語でリアルな音声を生成できるTTSモデルだ。今回紹介された構成では、GPU（GTX 1080 Ti）をローカルLLMの推論に専用割り当てし、音声合成はCPUのみで処理している。
最も手軽なセットアップ方法として、あらかじめ音声モデルを同梱したコンテナイメージ「Kokoro-FastAPI」が紹介されている。イメージサイズは約5GBで、DockerまたはPodmanで起動可能だ。コンテナはlocalhost:8880/webにシンプルなWeb UIを提供するほか、OpenAIの音声APIと互換性のあるTTSエンドポイントも備えており、既存のOpenAI API対応プログラムをそのまま流用できる。
サンプルコードはGitHub（github.com/remotebrowser/speak）でJavaScript版・Python版の両方が公開されており、環境変数「TTS_API_BASE_URL」を設定するだけで利用可能。生成された音声はMP3ファイルとして保存され、SoXがインストールされていれば自動再生もできる。音声の切り替えは「TTS_VOICE」環境変数で行い、全音声リストはHugging Face上の公式ページで確認できる。
合成速度のベンチマーク（短い英語段落を対象、3回の最良値）は以下の通り。Intel Core i7-4770K（約12年前の製品）で4.7秒、Apple M2 Proで4.5秒、AMD Ryzen 7 8745HSで1.5秒を記録した。12年前のCPUでも実用的な速度で動作する点が強調されている。
また、代替サービスとして「Speaches（speaches.ai）」も紹介された。Speachesはコンテナに音声モデルを同梱せず、APIを通じて個別にダウンロードする仕様だが、OpenAIの高品質STT（音声認識）システムであるWhisperを内包しており、TTSとSTTの両機能が必要なアプリケーションにはワンストップの選択肢となる。