NVIDIA GPU環境向け ベストなローカルTTSエンジン(2026)

XTTS v2、Chatterbox、Barkはいずれも CPU で動作するが、リアルタイムやバッチ処理での実用性を生むのはGPUである — Kokoroは例外で、8200万パラメータという規模のおかげでCPUのみでも高速に動作する。 より重い3つのエンジンには共通点がある。いずれもクローニングや生成品質を優先したモデルで、アーキテクチャが計算力と引き換えに表現力を高めているため、CUDAアクセラレーションはわずかな高速化ではなく、ボトルネックそのものを取り除く。

ボイスクローニング、非音声の表現力豊かなオーディオ、あるいはバッチのナレーション作業やインタラクティブな音声アプリケーション、多数のクリップを生成するパイプラインなど、生成速度が重要なワークロードにはGPU志向のエンジン(XTTS v2、Chatterbox、Bark)を使う。クローニング不要の単純なプレーンテキストのナレーションだけが必要な場合はTTSにGPUのVRAMを費やさないこと — KokoroやPiperはCPUのみでその用途をカバーし、並行して動くLLMなど他のワークロードのためにVRAMを空けておける。

Coquiがリリースし、Coqui TTSツールキットを通じて実行されるXTTS v2は、短い参照クリップから達成可能な最高品質を必要とするGPU所有者にとって最良のローカルボイスクローニングの選択肢である。 わずか6秒の参照音声から声をクローンし、17言語で読み上げることができる。クロスリンガルクローニング — 英語の音声から声をクローンし、スペイン語や日本語で話させる — にも対応する。

VRAMについては、XTTS v2のモデル重みは約2GBだが、実行には4GBが実用上の最低ラインであり、リアルタイム推論には4-6GBが推奨される。詳細はPromptQuorumのXTTS v2レビューを参照。ほとんどの読者にとって決め手となるのはライセンスである。Coqui Public Model License(CPML)は明確に非商用であり、この会社であるCoqui AIが2023年12月に有料サービスを終了したため、現時点で確認された商用ライセンスへの有効な道筋は存在しない。

Resemble AIがGitHubで公開したChatterboxは、完全に自由で商用利用可能なライセンスのもとでリアルタイムの会話型ボイスクローニングを求めるGPU所有者にとって最良の選択肢である。 MITライセンスのもとにあり、XTTS v2の非商用CPMLとは異なり、別途の契約なしで商用利用が可能である。

Chatterboxは複数のサイズで提供されている。Resemble AI自身のドキュメントによれば8コアのCPUでリアルタイムより高速に動作するNanoバリアント(1億1000万パラメータ)、低遅延向けのTurboバリアント(3億5000万パラメータ)、そしてアーキテクチャにLlama 3を由来として挙げるバックボーンを持ち20以上の言語をサポートするMultilingualバリアント(約5億パラメータ)がある。ゼロショットのボイスクローニングは参照オーディオクリップから機能する — Resemble AI自身の例では10秒のクリップを使用しているが、READMEにはXTTS v2のような公式な最小時間の記載はない。

Resemble AIの公開READMEには正確なVRAM値が記載されていないため、他の場所で見かける具体的なGB数値は、自分のカードでテストするまでは未確認のものとして扱うこと。文書化されているのは以下の点である。Nanoバリアントは CPU のみで問題なく動作する一方、より大きなTurboおよびMultilingualバリアントはGPUアクセラレーションによる低遅延生成向けに設計されている — CUDAとApple Silicon(MPS)の両方がサポートされている。

SunoがGitHubで公開したBarkは、音声以上のもの — 笑い声、ため息、あえぎ声、そしてテキストプロンプトだけから生成されるシンプルな音楽 — を求める場合に適した選択肢であり、この比較の中でGPUの恩恵を最も受けるエンジンである。トークンごとの生成的アーキテクチャは、CUDAアクセラレーションなしでは4モデル中最も遅いためである。 カスタムボイスクローニングには対応していない。Suno自身のドキュメントによれば「現時点でカスタムボイスクローニングには対応していない」。

VRAMについては、PromptQuorumのBarkレビューによれば、フルモデルは約12GBを必要とし、小型モデル用の環境フラグ(SUNO_USE_SMALL_MODELS)によって約8GBまで削減できる — XTTS v2の4-6GBより明らかに多い。ライセンスはMITで、2023年5月1日に完全に商用利用可能となったが、メンテナンス状況は実際に未解決の問題である。公開GitHubリポジトリには2024年4月5日以降コミットが見られない。

Kokoroはここで対比として取り上げている。NVIDIA GPUを持っているからといって、すべてのTTSワークロードにそれが必要というわけではなく、Kokoroはその証明である。 8200万パラメータという規模で、XTTS v2、Chatterbox、Barkよりも劇的に小さく、Hugging Faceの公式モデルカードはCPUのみでリアルタイムまたはそれ以上の速度の合成を文書化している。GPUの利用は必須ではなく、あくまで余裕をもたらすものである。

KokoroはApache 2.0ライセンスのもとにあり、ChatterboxのMITライセンスと同様に、制限なしで商用利用が可能である。ボイスクローニングには対応していないため、クローニングが要件である場合はXTTS v2やChatterboxの代替にはならないが、単純なナレーション、読み上げテキスト、あるいはクローニングが不要なアプリの音声レイヤーには、より軽量でシンプルな選択肢となる。

この表は、生のオーディオ品質ではなく、VRAM要件、CUDAアクセラレーションからそれぞれがどれだけ恩恵を受けるか、ボイスクローニング機能、ライセンスといったGPU適性の基準に絞って4エンジンを評価している。

6GB以上のVRAMを持つGPUであれば、Barkのフルモデル(約12GB、または小型モデルフラグで約8GB)を除き、この比較のすべてのエンジンを余裕をもってカバーできる。 デフォルトで最も重い選択肢を購入するのではなく、実際に必要なエンジンに合わせてカードを選ぶこと。

TTS専用ではないローカルAIワークロード全般におけるVRAM段階別のGPU選定については、PromptQuorumのローカルLLM向けGPU購入ガイドを参照。同じVRAM優先の購入ロジックはTTSにも当てはまり、TTSと並行してローカルLLMをすでに運用している場合、両方のワークロードは同じVRAMプールを奪い合うことになる。

実在の人物の声を本人の知識や明示的な同意なしにクローンすることは、ライセンスとは別の問題であり、使用するエンジン、ライセンス、商用ステータスにかかわらず当てはまる。 XTTS v2とChatterboxはいずれも高性能な汎用ボイスクローニングツールであり、提供された参照音声がクローンされることに同意した人物のものであるかどうかを検証する機能はどちらにもない。

同意なしに声をクローンすることは、プロジェクトが商用か個人利用か、またモデルのライセンス条件にかかわらず、同意、パブリシティ権、そして法域によっては詐欺やなりすましに関する懸念を生じさせる可能性がある。これは法的助言ではなく事実に基づく注記である — 実在の人物の声をクローンする製品を開発している場合は弁護士に相談し、声をクローンする相手からは常に明確で文書化された同意を得ること。

すでにNVIDIA GPUを持っていて、それをテキスト読み上げに活用したい読者にとって、選択はその音声に何をさせたいかによって決まる。非商用のCPMLライセンスを踏まえると、非商用または研究用途で達成可能な最高のボイスクローニング品質を求めるならXTTS v2が選択肢となる。同じクローニング能力を商用製品として出荷する必要がある場合は、MITライセンスとリアルタイム志向の小型モデルサイズを備えたChatterboxが選択肢となる。プロジェクトが表現力豊かな非音声オーディオ — 笑い声、ため息、シンプルな音楽 — を必要とし、それを得るために8-12GBのVRAMを費やせる場合は、メンテナンス状況が不確かである点に留意しつつBarkが選択肢となる。クローニングが要件でない限り、Kokoroは引き続き正しい選択肢である。CPUのみで問題なく動作するため、そのためにGPUのVRAMを確保する価値はほとんどない。迷ったら、単純なナレーションにはKokoroから始め、本当にクローニングの要件が出てきた段階で初めてXTTS v2やChatterboxに移行する — そうすることで、ローカルLLMを含め、並行して動かす他の処理のためにGPUのVRAMを確保しておける。ここで挙げた各エンジンのライセンスの詳細については、PromptQuorumのローカルTTSおよびボイスクローニングのライセンスガイドを参照。