重要なポイント
- Piper: 組み込み・CPUのみのハードウェア向けに特化して開発され、GPU不要で、Raspberry Pi 4上でリアルタイム動作。
- Kokoro(82Mパラメータ、Apache-2.0): より自然な音声品質だが、文書化されたPiのリアルタイムベンチマークはなく、Pi 4よりPi 5の方が現実的。
- Coqui TTS / XTTS v2: 音声クローニングを追加するが、GPUアクセラレーションを前提とし、CPUのみのPiには適合しない。
- espeak-ng: 最も軽量な選択肢だが、機械的な音声。第一候補ではなくフォールバック。
- Pi 5(Cortex-A76、2.4GHz)は、これらのいずれにおいてもPi 4(Cortex-A72、最大1.8GHz)より大幅に高速なcpu。
- Piperのインストールはコマンド一つ:
pip install piper-tts、その後音声モデルをダウンロード。
📍 一文で説明
Piperは、オフライン音声アシスタントプロジェクトRhasspyの中でCPUのみの組み込みハードウェア向けに特化して開発され、GPUを必要とせず、その理由からHome Assistantのデフォルトのローカル音声であるため、Raspberry Pi向けの最良のローカルttsエンジンです。Kokoroはより自然に聞こえますが文書化されたリアルタイムのPiベンチマークがなく、Coqui TTS/XTTS v2はGPUアクセラレーションを前提としています。
💬 簡潔に説明
Raspberry Piをインターネット接続なしで音声出力させたい場合、Piperはまさにその用途のために作られたツールです。インストールして音声をダウンロードすれば、35ドル程度から始まるボード上でリアルタイムに話し始めます。より高機能な選択肢(Kokoro、XTTS v2)は音質は優れていますが、Raspberry Piの限られたCPUを念頭に設計されたものではありません。
📌補足: このガイドはCPUのみでの合成速度とPiへの適合性を扱い、音声クローニングは扱いません。音声クローニングについては、Pクラスのcpuには明確に推奨されないとするPromptQuorumのXTTS v2専用レビューを参照してください。
TTSエンジンがRaspberry Piに適する条件とは?
Raspberry Piに適したttsエンジンは、GPUなしで動作し、モデルとランタイムが数百MBのRAMに収まり、クアッドコアARM cpu上でリアルタイムより高速に音声を生成できる必要があります。 Raspberry Piにはtts推論に使えるほどの専用GPUがなく、ここで挙げるすべてのエンジンはcpu上で動作するため、決め手となるのは単独のモデル品質そのものではなく、この制約に対してどれだけ効率的に設計されているかです。
- GPU依存がないこと。 Raspberry PiにはCUDA対応GPUがありません。許容できる速度のためにGPUアクセラレーションを前提とするエンジンは、たとえフォールバックとして技術的にcpu上で動作するとしても、リアルタイム用途としては失格です。
- RAM使用量。 Raspberry Pi 4は最大8GBのRAMをOSや他の実行中サービス(Home Assistant、ウェイクワード検出器など)と共有します。ロードするだけで数GBを必要とするttsエンジンは、他の用途のための余裕をほとんど残しません。
- インストールの複雑さ。 ビルド済みARM wheelを使った単一の
pip installと、GPU志向の依存関係チェーン(CUDA、cuDNN)を前提とするツールキットとでは、Pi上では意味がまったく異なります。 - 音声品質のトレードオフ。 このリストのすべてのエンジンは速度と引き換えに何らかの品質を犠牲にしています。問題は、どのトレードオフがあなたの用途に適しているかです。スマートスピーカーのアナウンスと音声クローニングプロジェクトでは、求められる品質が異なります。
Piper対Kokoro対Coqui TTS/XTTS v2対espeak-ngのPi適合性比較
Piperは、生の音声品質(そこではKokoroとXTTS v2がリードします)を除くすべてのPi固有基準で最高の評価を得ています。 以下の表は、デスクトップやサーバー向けの一般的なttsベンチマークではなく、Raspberry Piへの導入において実際に重要な4つの基準で各エンジンを評価しています。
エンジン | RAM使用量 | CPUのみでの実現性 | インストールの複雑さ | 音声品質 |
|---|---|---|---|---|
| Piper | 低い(モデルファイルは通常1音声あたり100MB未満) | その用途で設計。Pi 4でのリアルタイム動作が広く報告 | コマンド1つ: pip install piper-tts | 良好、十分に自然なニューラル音声。クローニングなし |
| Kokoro | 中程度(82Mパラメータモデル、約327MBの重み) | cpuで動作。文書化されたPiのリアルタイムベンチマークなし | Pythonパッケージ+モデルDL。Piperより依存関係が多い | より高品質 — 独立したtts品質ランキング上位クラス |
| Coqui TTS / XTTS v2 | 高い。文書化された遅延値はGPU VRAM前提 | 低い。PromptQuorum自身のXTTS v2レビューがCPUのみのPi利用を非現実的と指摘 | ツールキットのインストール+ライセンス同意(XTTS v2はCPML) | 最高 — 17言語対応の6秒音声クローニングを含む |
| espeak-ng | 最小限(数MB) | 些細。マイコン級ハードウェアを含むほぼ何でも動作 | ほとんどのLinuxパッケージマネージャーで直接入手可能 | 機械的なフォルマント合成音 — 自然な音声ではない |
Piperがraspberry pi向けのデフォルトの推奨である理由
Piperがデフォルトの推奨である理由は、このハードウェアクラス向けに設計されたものであって、後から適応させたものではないからです。 これはRhasspyというオープンソースのツールキットの中で生まれました。Rhasspyは完全にオフラインで動く音声アシスタントを構築するためのプロジェクトで、その全体の前提は、Raspberry Piボードを含むローカルな、しばしば控えめなハードウェア上で、クラウドAPIへの往復なしに音声認識と合成を実行することにあります。
- 組み込み・リソース制約のあるデバイス向けに構築。 Piperは、高速なcpu推論のためにONNX Runtimeにエクスポートされたニューラルネットワーク型のVITSスタイルのアーキテクチャを使用しています。これは、フォールバック先のGPUがないハードウェアを意識した意図的な選択です。
- 今もHome Assistantのデフォルト。 Piperは、Home Assistantと同じ非営利団体であるOpen Home Foundationが保守するHome Assistantの音声パイプラインにおけるデフォルトのローカルtextto-speechエンジンです。そして、Home Assistantの導入の多くはRaspberry Pi上で稼働しています。
- GPUは一切不要。 デスクトップハードウェア上でより高いスループットを得るためのオプションのCUDA GPUアクセラレーションは存在しますが、必須ではありません。Piperはcpuのみでリアルタイムに動作するよう設計されています。
- 音声クローニングはなく、固定の音声カタログを提供。 Piperはサンプルから音声をクローニングするのではなく、20以上の言語にわたる数十種類の学習済み音声を提供します。これはXTTS v2と比べると本質的なトレードオフですが、同時にPiperのリソース使用量をRaspberry Piに十分収まる小ささに保っている要因でもあります。
Kokoro: 高品質だがコストも高い
Kokoroは8200万パラメータのApache-2.0ライセンスttsモデルで、StyleTTS2から派生し、Piperよりも明らかに自然な音声を生成しますが、その実際のリソースコストはraspberry piハードウェアに特化して文書化されているわけではありません。 Piperとは異なり、Kokoroは組み込みARMデバイスを主な対象として構築されたものではありません。汎用ハードウェア上で大型ttsモデルと比較して小型・高速であることを目指して構築されたもので、これはRaspberry Piのcpu上でのリアルタイム性能とは異なる設計目標です。
- 82Mパラメータ、約327MBの重み。 大型の音声クローニングモデルと比べれば小さいですが、通常100MB未満に収まる単一のPiper音声と比べると、依然としてかなり重いです。
- Apache-2.0ライセンス。 寛容で商用利用に適しています。XTTS v2のようなCPML的な非商用制限はありません。
- 文書化されたRaspberry Piのリアルタイムベンチマークなし。 PromptQuorumは、KokoroがRaspberry Pi 4またはRaspberry Pi 5ハードウェア上で具体的にリアルタイム動作することを示す、公開され出典のあるベンチマークを見つけることができませんでした。Pi上でのKokoroのリアルタイム性に関する主張は、自分でベンチマークするまでは未検証として扱ってください。
- Raspberry Pi 5がより現実的な目標。 その2.4GHzのCortex-A76 cpuは、Raspberry Pi 4のCortex-A72より明らかに多くの演算能力を提供し、これは軽量なPiperよりもKokoroのような重いモデルにとってより重要です。
Coqui TTSとXTTS v2: 音声クローニングが重要な場合
Coqui TTSとそのXTTS v2モデルは、わずか6秒程度の参照音声から音声クローニングを追加しますが、いずれもGPUアクセラレーションを前提としており、CPUのみのraspberry piハードウェアには現実的に適していません。 プロジェクトが学習済み音声ではなく、特定の音声を本当にクローニングする必要がある場合、このリストの中でそれを実現できるのはこの選択肢だけです。ただし、それはPi自体で実行するのではなく、他の場所で実行し、音声をPiへストリーミングする前提で計画してください。
- XTTS v2は6秒の音声から音声をクローニングします。公式のHugging Faceモデルカードによれば17言語に対応しています。インストールコマンドとライセンスの詳細については、PromptQuorumのXTTS v2の完全レビューを参照してください。
- GPUが強く推奨され、CPUのみの利用はリアルタイムアプリケーションには実用的ではありません。これはPromptQuorum自身のXTTS v2レビューによるものです。Raspberry Piには専用GPUがないため、デバイス上でのリアルタイムXTTS v2推論は現実的ではありません。
- XTTS v2のライセンス、Coqui Public Model License(CPML)は非商用です。これはハードウェア適合性とは別の考慮事項です。完全な比較についてはローカルttsライセンスガイドを参照してください。
- クローニングされた音声を必要とするPiプロジェクトによく見られるパターン: GPUを搭載した常時稼働の別のサーバーまたはデスクトップ上でXTTS v2を実行し、そこで音声を生成して、結果の音声ファイルまたはストリームを再生用にRaspberry Piへ送信します。Pi自体で推論を実行するのではありません。
espeak-ng: 軽量なフォールバック
espeak-ngは、マイコンを含むほぼどんなハードウェア上でも動作するフォルマント合成ttsエンジンですが、自然というよりは機械的な音声です。 このリストにあるニューラルネットワーク型ttsエンジンより10年以上前から存在しており、音声品質の点で本当の競合にはなりません。含まれている理由は、それがフロア(下限)であるからです。つまり、リソース要件が事実上ゼロに近い選択肢です。
- 事実上あらゆる環境で動作。 espeak-ngは数MBのメモリしか必要とせず、ニューラルネットワークランタイムも不要で、Raspberry Piのスペックを大幅に下回るハードウェアでも利用可能です。
- ロボットのような音声。 訓練済みニューラルモデルではなく音響ルールから音声を生成するフォルマント合成のアプローチは、理解可能ではあるものの明らかに合成的な音声を生成し、自然な音声を求める音声アシスタントやアナウンスシステムには不向きです。
- フォニマイザーとしては依然有用。 Piper自身も、テキストから音素への変換に内部でespeak-ngを使用していますが、Piper自身の音声出力はespeak-ngから直接ではなく、Piperのニューラルモデルから生成されます。
- RAMやCPUが極端に制約されている場合にのみ選択。 例えば、Raspberry PiではなくマイコンクラスのデバイスでPiperすら実用的でない場合に限ります。
Raspberry PiへのPiperのインストール方法
Raspberry PiへのPiperのインストールは、単一のpip installの後に1つの音声モデルをダウンロードするだけで完了します。GPUドライバー、CUDA、コンパイル手順は一切不要です。 これらは、PromptQuorumの専用Piper TTSレビューに記載されているものと同じコマンドを、Raspberry Pi OS(または別のDebianベースのARM Linuxディストリビューション)を実行するRaspberry Piに具体的に適用したものです。
- 1システムを更新しPython 3をインストールする
Why it matters: 最近のイメージではRaspberry Pi OSにPython 3がプリインストールされていますが、新しいものをインストールする前に、まず`sudo apt update && sudo apt upgrade`を実行して、pipとシステムパッケージが最新であることを確認してください。 - 2pipでPiperをインストールする
Why it matters: `pip install piper-tts`(イメージによっては`pip3 install piper-tts`)を実行します。これにより、`piper`パッケージとそのONNX Runtime依存関係がインストールされます。ビルド済みARM wheelにより、Raspberry Pi上でのコンパイル手順は不要です。 - 3音声モデルをダウンロードする
Why it matters: `piper --download-dir voices --update-voices --voice en_US-lessac-medium`を実行します(Hugging Face上のPiper音声カタログから任意の音声に置き換えてください)。中品質の音声がRaspberry Piにとって適切なデフォルトです。高品質音声より高速で、一般的なスピーカー上では出力の差はごくわずかです。 - 4テキストから音声を生成する
Why it matters: コマンドラインからテキストをPiperへパイプします。例えば`echo "Hello from the Raspberry Pi." | piper --model voices/en_US-lessac-medium.onnx --output_file output.wav`とし、生成されたWAVファイルを`aplay output.wav`で再生します。 - 5プロジェクトに組み込む
Why it matters: ウェイクワード、音声認識、LLM、応答用のPiperという完全な音声アシスタントパイプラインについては、PromptQuorumの[段階的なオフライン音声アシスタント構築ガイド](/ja/power-local-llm/build-local-voice-assistant-2026)を参照してください。Home Assistantに関しては、Piperはすでに音声パイプライン設定でデフォルトのttsエンジンです。
text-to-speechにおけるraspberry pi 4対raspberry pi 5
Raspberry Pi 5はRaspberry Pi 4より明らかに高速なcpuを搭載しており、これはすでに軽量なPiperよりもKokoroのような重いエンジンにとってより重要です。 どちらのボードもPiperをリアルタイムで実行できますが、より重いものを検討し始めると、cpuの差が現実的な選択肢の幅を広げます。
- Raspberry Pi 4: 最大1.8GHzで動作するクアッドコアArm Cortex-A72 cpu。RAM構成は最大8GB。Piperのリアルタイム合成には十分ですが、KokoroやXTTS v2のリアルタイム動作には現実的な目標ではありません。
- Raspberry Pi 5: 2.4GHzで動作するクアッドコアArm Cortex-A76 cpu(BCM2712)。RAM構成は最大16GB。Raspberry Pi 4に対して2〜3倍のcpu性能向上が記録されています。Piperの代わりにKokoroを試すならこちらのボードです。
- どちらのボードもGPUアクセラレーションの状況を変えません。 どちらも専用のCUDA対応GPUを持たないため、Coqui TTSとXTTS v2は両世代ともデバイス上でのリアルタイム推論には非現実的なままです。
- RAMはttsエンジン自体を超えて重要です。 同じボードでHome Assistant、ウェイクワード検出器、または完全な音声アシスタントパイプライン用のローカルLLMも動かす場合、軽量なエンジン(Piper、次いでespeak-ng)は、KokoroやCoqui TTSよりもそれらの他プロセスのための余裕を多く残します。
よくある質問
Raspberry Pi向けの最良のローカルTTSエンジンは何ですか?
ほとんどの用途において、PiperがRaspberry Pi向けの最良のローカルttsエンジンです。オフライン音声アシスタントプロジェクトRhasspyの中で、CPUのみの組み込みハードウェア向けに特化して開発されており、GPUを必要とせず、まさにその理由からHome Assistantのデフォルトのローカルttsエンジンであり続けています。Raspberry Pi 4上でリアルタイム動作するとの報告が広く見られます。
Raspberry Pi上でPiperを動かすのにGPUは必要ですか?
いいえ。Piperは、Raspberry Piを含むCPUのみのハードウェア上でリアルタイムに動作するよう設計されています。デスクトップハードウェア上でより高いスループットを得るためのオプションのCUDA GPUアクセラレーションは存在しますが、必須ではなく、そもそもRaspberry Piにはそれに使える専用GPUがありません。
KokoroはRaspberry Pi上でリアルタイムに動作しますか?
PromptQuorumは、Raspberry Piハードウェアに特化した、文書化され出典のあるKokoroのリアルタイムベンチマークを見つけることができませんでした。Kokoroは一般的にcpu上で動作する8200万パラメータのモデルですが、Piperのように組み込みARMデバイス向けに特化して構築されたものではありません。より高速なCortex-A76 cpuを搭載するRaspberry Pi 5でテストする方が、Raspberry Pi 4よりも現実的です。ライブでインタラクティブな用途に依存する前に、自分でベンチマークしてください。
なぜRaspberry Pi上での音声クローニングにXTTS v2を使わないのですか?
XTTS v2は文書化された低遅延性能のためにGPUアクセラレーションを前提としており、PromptQuorum自身によるXTTS v2のレビューでは、CPUのみの利用はリアルタイムアプリケーションには実用的でないとされています。Raspberry Piには専用GPUがないため、デバイス上でのリアルタイムXTTS v2推論は現実的ではありません。一般的な回避策は、GPUを搭載した別のサーバー上でXTTS v2を実行し、生成された音声をRaspberry Piへストリーミングすることです。
Piperは商用利用で無料ですか?
現在アクティブに保守されているPiperリポジトリ、OHF-Voice/piper1-gplはGPL-3.0-or-laterの下でライセンスされており、これはオリジナルの、現在はアーカイブされているrhasspy/piperリポジトリのMITライセンスからの変更です。GPL-3.0はツールとしてのPiperの商用利用を許可しますが、Piper自体のソースコードへの変更を配布する場合、同じライセンスの下で公開することを求めます。完全なライセンス履歴についてはPromptQuorumの完全なPiper TTSレビューを参照してください。これは法的助言ではありません。
text-to-speechにおいてRaspberry Pi 4とRaspberry Pi 5の違いは何ですか?
Raspberry Pi 5は2.4GHzで動作するクアッドコアArm Cortex-A76 cpu(BCM2712)を採用し、RAM構成は最大16GBで、最大1.8GHzで動作しRAMが最大8GBのRaspberry Pi 4のクアッドコアCortex-A72に対して2〜3倍のcpu性能向上が記録されています。どちらもPiperをリアルタイムで実行できます。Kokoroのような重いエンジンを試したい場合は、Pi 5の余裕が特に重要になります。
Piperは英語以外の言語に対応していますか?
はい。Piperは20以上の言語にわたる学習済み音声を提供しますが、特定の人物の音声をクローニングするわけではありません。XTTS v2のようにサンプルからクローニングするのではなく、言語ごとに固定の学習済み音声を使用します。
espeak-ngとは何ですか、Piperの代わりにいつ使うべきですか?
espeak-ngは、Raspberry Piのスペックを下回るデバイスを含むほぼどんなハードウェア上でも動作するフォルマント合成ttsエンジンですが、自然というよりは機械的な音声です。RAMやCPUが極端に制約されており、Piperすら実用的でない場合にのみ使用してください。ほとんどのRaspberry Piプロジェクトでは、Piperがより良いデフォルト選択です。Piper自身もテキストから音素への変換に内部でespeak-ngを使用しています。
Raspberry Pi上でPiperにはどれくらいのRAMが必要ですか?
Piperの音声ごとのモデルファイルは通常100MBを大幅に下回り、このエンジンは動作に数GBのRAMを必要としません。これは、OSや他の実行中サービスと共有する合計わずか2GBのRAMしかないRaspberry Pi 4上では意味のある利点です。
結論
Raspberry Pi上でのローカルテキスト読み上げにおいて、Piperは正しいデフォルトの選択であり、これは僅差の判断ではありません。オフライン音声アシスタントプロジェクトRhasspyの中でCPUのみの組み込みハードウェア向けに特化して設計され、GPUを必要とせず、コマンド一つでインストールでき、まさにそれらの理由からHome Assistantのデフォルトのローカル音声であり続けています。保証されたリアルタイム応答よりも音声品質が重要な場合は、代わりにKokoroを使用してください。ただし、必ず自分の具体的なRaspberry Piモデル上で自分でベンチマークした後にしてください。その文書化されたリアルタイム性能は、Piクラスのarmボードに特化したものではなく、一般的なハードウェア上のものです。Coqui TTSまたはXTTS v2は、本当に音声クローニングが必要な場合にのみ使用し、Pi自体ではなくGPUを搭載した別のマシン上で推論を実行する計画を立ててください。espeak-ngは、Piperにも耐えられないほど制約されたハードウェア上での最後の手段としてのみ利用してください。迷ったらPiperから始めてください。それは、このハードウェアクラスが動作するために作られたツールです。
出典
- Piper TTSレビュー — ライセンス履歴、インストールコマンド、Home Assistant統合を含むPromptQuorumの完全レビュー。
- GitHub上のOHF-Voice/piper1-gpl — Open Home Foundationの下でアクティブに保守されているPiperリポジトリ。
- Hugging Face上のKokoro-82M — パラメータ数、ライセンス、アーキテクチャに関する公式モデルカード。
- XTTS v2レビュー — ここで参照したCPUのみでの性能とライセンスに関する注意点を含む、PromptQuorumのレビュー。
- Raspberry Pi 5製品ページ — BCM2712プロセッサーとRAM構成に関する公式仕様。
- 完全なオフライン音声アシスタントの構築 — Whisper + LLM + Piperによる完全パイプラインの、Raspberry Pi 5上での実測レイテンシを含む、PromptQuorumの段階的ガイド。