Mac向けベストなローカルTTSエンジン(2026):実際にApple Siliconを使うのはどれか

実際にインストールすべきローカルTTSエンジンはどれか?

• 🏆 Apple Silicon向けの総合ベスト: mlx-audio経由のKokoro-82M — ここで扱う中で唯一本物のMetal GPU経路を持ち、小型(8200万パラメータ)なのでどのApple Silicon Macでも快適に動く。
• シンプルさとIntel互換性のベスト: Piper — 設計上CPUのみなので、M系チップでも古いIntel Macでも、インストールと性能が同じ。
• 声のクローニングが必要な場合のベスト: XTTS v2 — 約6秒の参照音声から声をクローンできるが、どのMacでもCPUのみで動作し、非商用利用のみのライセンス。
• 表現力豊かな非音声オーディオのベスト: Bark — テキストから笑い声、ため息、簡単な音楽を生成。Apple SiliconのGPU対応は実験的(部分的)で、リポジトリは2024年4月以降休止中。

どのエンジンを使うべきなのは誰か?

• 🧭 Apple Silicon Macで、最速のローカル選択肢が欲しい: mlx-audio経由のKokoro — ここで唯一MLX経由でMetalを使うように書かれたエンジン。
• 🧭 古いIntelモデルを含む、どのMacでも使いたい: Piper — 設計上CPUのみなので、Apple Silicon固有の設定やトラブルシューティングは一切不要。
• 🧭 短い録音から特定の声をクローンする必要がある: XTTS v2 — Macでは実質CPUのみで動作すること、そしてライセンスが非商用であることを受け入れること。
• 🧭 音声だけでなく笑い声、ため息、環境音が欲しい: Bark — ただし実験的なApple Silicon経路のために余分なインストール時間を見込み、まず現在のメンテナンス状況を確認すること。
• ❌ アクティブなメンテナンスや確実な性能が必要なら、Barkは避ける — 公開リポジトリは2024年4月以降コミットがなく、これはApple Siliconの問題とは無関係。
• ❌ 商用製品を構築しているなら、XTTS v2は避ける — Coqui Public Model License(CPML)は非商用であり、これを公開した企業Coqui AIは2023年12月に有料サービスを終了している。

PiperとKokoro、XTTS v2、BarkはApple Silicon適合性でどう比較されるか?

MacでGPUを実際に使うエンジンはどれか?

• Kokoro-82Mは、コミュニティプロジェクトのmlx-audioを通じて、Apple自身のMLXフレームワーク経由で動作し、Apple SiliconとPython 3.10〜3.12を必要とします。 MLXはAppleのオープンソース機械学習フレームワークで、Apple Siliconの統合メモリアーキテクチャ上のMetalのために一から作られています — これは、言語モデル向けにサイトのApple Silicon local LLMガイドとMLX vs. Ollama vs. llama.cppの比較で扱っているのと同じフレームワークです。Hugging Face上でhexgradが公開した公式のKokoro-82Mの重みは、ネイティブにはPyTorchモデルです。MLX経路はコミュニティによる移植であり、Appleやhexgradによる公式リリースではありません。また、mlx-audioはメモリ使用量を抑えるための量子化(bf16、8ビット、4ビット)バリアントも提供しています。
• Piperは、Apple Siliconを含むどのプラットフォームでもGPUに一切触れません — これは設計であり、制約ではありません。 Piperはespeak-ngでテキストを音素に変換し、高速なCPU推論向けにONNX Runtimeにエクスポートされたモデルで音声を合成します。この設計上の選択こそ、Piperが Raspberry Piでもリアルタイムに動く理由です — 完全なアーキテクチャとインストール手順はPromptQuorumのPiper TTSレビューを参照してください。
• XTTS v2のApple SiliconのMetal(MPS)対応は現時点では機能しません。 coqui-ai/TTS GitHubリポジトリで追跡されているissue「Unable to use xtts_v2 with mps device on Apple Silicon」は、MPSデバイスでXTTS v2を実行しようとすると、完了せずにハングすることを記録しています。Coqui自身のプロジェクトも、Apple SiliconのGPU対応を公式にサポートしているとは記載していません。実際には、これはXTTS v2がMacではCPUのみで動作することを意味し、他のプラットフォームでも同じCoqui TTSツールキット(MPL-2.0ライセンス)を通じて実行されます。
• Barkには実験的なApple Silicon MPS対応があり、環境変数の背後にあります。 SUNO_ENABLE_MPS=Trueを設定するとMetalアクセラレーションが有効になります(suno-ai/bark GitHubリポジトリでの議論による)。ただし、Barkが依存する一部のPyTorchオペレーターは当時MPS向けに実装されておらず、それらのステップは部分的にCPUへフォールバックします。Barkは、統合メモリの少ないMacでのメモリ負荷を軽減するためのSUNO_USE_SMALL_MODELS=Trueフラグもサポートしています。

MLXアクセラレーションでKokoroをMacにインストールするには?

1. 1
   サポートされているPythonバージョンのApple Siliconであることを確認する。
   Why it matters: mlx-audioにはApple Silicon Mac(M系チップ)とPython 3.10〜3.12が必要です。MLXはIntel Macでは一切動作しないため、この経路はApple Silicon専用です。
2. 2
   mlx-audioをインストールする。
   Why it matters: Python仮想環境で`pip install mlx-audio`を実行します。これによりMLX自体(バージョン0.31以降)がオーディオパイプラインと一緒にインストールされます。
3. 3
   コマンドラインから最初の音声合成を実行する。
   Why it matters: このパッケージには、初回使用時にKokoro-82Mの重みをダウンロードし、テキスト文字列からWAVファイルを合成するCLIエントリポイントが同梱されています — CLIフラグはリリース間で変わる可能性があるため、正確なコマンドはプロジェクトの現在のREADMEを確認してください。
4. 4
   声を選び、任意で量子化モデルバリアントを選ぶ。
   Why it matters: Kokoro-82Mには複数の言語にわたる54種類の声プリセットが同梱されています。mlx-audioはbf16、8ビット、4ビットの量子化バリアントも提供しており、精度を少し下げる代わりにメモリフットプリントを小さくできます。統合メモリの少ないMacで有用です。
5. 5
   自分のPythonアプリケーションに統合する。
   Why it matters: 一度きりのCLI合成を超える用途では、CLIを繰り返し呼び出すのではなく、mlx-audioのPython APIを直接呼び出して、呼び出しごとのモデル再読み込みのコストを避けてください。

Intel Macでは何が変わるか?

• PiperはIntel/Apple Siliconの区別の影響を受けません。 どのプラットフォームでも設計上CPUのみなので、Piperに限って言えば、Intel Macでもハードウェア世代を別にすればApple Silicon Macと同等の性能を発揮します。
• Kokoroは公式のPyTorchの重みを通じてIntel Macでも引き続き動作しますが、MLXアクセラレーション経路は使えません。 mlx-audio経由のApple Silicon固有のMetal経路は失いますが、モデル自体(8200万パラメータ)は小さいため、CPUでも十分実用的に動作します。
• XTTS v2とBarkは、IntelでもApple Siliconでも同一に動作します。どちらも現時点でどのMacでもCPUのみで動作しているためです — XTTS v2はMPS対応が壊れているため、Barkは MPS対応が実験的かつ部分的であるためです。どちらもApple Siliconでもともと成熟したアクセラレーション経路を持っていないため、Apple SiliconからIntelに移っても実質的な機能の喪失はありません。

これらのエンジンをどれも使うべきでないのはどんなときか?

• ❌ クローンした声を伴う、確実な商用ライセンスが必要な場合。 XTTS v2のCPMLライセンスは非商用であり、Coqui AIが2023年12月に有料サービスを終了して以来、商用ライセンスへの確認された有効な道筋はありません — マネージド型の商用クラウド代替については、PromptQuorumのElevenLabs比較を参照してください。
• ❌ 確実なアクティブメンテナンスが必要な場合。 Barkの公開GitHubリポジトリは2024年4月5日以降コミットがありません。継続的な修正やアップデートがプロジェクトにとって重要なら、Piper(Open Home Foundationがアクティブに保守)やKokoro(mlx-audioを中心とした活発に利用されているコミュニティエコシステム)の方が安全な選択です。
• ❌ コミュニティプロジェクトへの依存なしに、今すぐ本番グレードのApple Silicon GPU対応が必要な場合。 KokoroのMLX経路はコミュニティプロジェクトを通じて動作しており、Appleやhexgradの公式リリースではありません — 良いものではあっても、ベンダー保証があるわけではないと考えてください。
• ❌ 非常に限られたApple Siliconメモリ(8GBベース構成)で、同時に大規模なローカルLLMも動かしながらリアルタイムの対話型音声が必要な場合。 メモリが限られたMac上で大きなXTTS v2やBarkのプロセスをLLMと並行して動かすのはきついことがあります。PiperとKokoroの小さなフットプリントの方が余裕を残せます。

よくある質問

結論

出典

• Hugging Face上のKokoro-82M — 公式モデルカード:パラメータ、ライセンス、アーキテクチャ。
• GitHub上のmlx-audio — Apple SiliconでAppleのMLXフレームワーク経由でKokoro-82Mを動かすコミュニティプロジェクト。
• coqui-ai/TTS GitHub issue #3649 — 「Unable to use xtts_v2 with mps device on Apple Silicon」、未解決のMPSハングを記録。
• suno-ai/bark GitHubリポジトリ — SUNO_ENABLE_MPSを介した実験的なApple Silicon MPS対応を記録するissueとプルリクエスト。
• Apple MLXフレームワーク — Apple SiliconにネイティブなMetal GPUアクセラレーションを備えた、Appleの公式オープンソース機械学習フレームワーク。
• Piper TTSレビュー — インストールコマンドとライセンス履歴を含む、PromptQuorumの専用レビュー。
• XTTS v2レビュー、Coqui TTSレビュー、Bark TTSレビュー — ここで扱う他のエンジンについてのPromptQuorumの専用レビュー。

関連記事

• Piper TTSレビュー — この比較で扱った、高速でCPUのみの、寛容なライセンスのエンジンを詳しく解説。
• XTTS v2レビュー — ここで扱った声のクローニングモデル。非商用のCPMLライセンスを含む。
• Coqui TTSレビュー — XTTS v2(および他のモデル)を実行するツールキット。MPL-2.0ライセンス。
• Bark TTSレビュー — ここで扱った表現力豊かな非音声オーディオエンジン。メンテナンス状況を含む。
• Apple Silicon local LLMガイド — メモリ階層、Metal GPUアクセラレーション、TTS以外のローカルAI向けのMac選び。
• MLX vs. Ollama vs. llama.cpp on Mac — このガイドがKokoroで扱っているのと同じMLXフレームワークを、ローカル言語モデル向けに解説。
• ElevenLabs vs. Piper vs. XTTS v2 — マネージド型の商用オプションを検討している読者向けの、クラウドとローカルの比較。