Coqui TTSレビュー(2026):コミュニティが保守する音声クローニング・ツールキット

歴史:Mozilla TTSからコミュニティフォークへ

Coqui TTSが実際に行うこと

• マルチモデル・インターフェース。 単一のTTS()Pythonクラスが、VITSベースの単一話者・複数話者モデル、Tacotron2ベースのモデル、そして音声クローニングモデルXTTS v2を含む異なるモデルアーキテクチャを、周辺のアプリケーションコードを変更することなくロード・実行します。
• コマンドライン合成。 ttsCLIコマンドはターミナルから直接音声を合成し、tts --list_modelsで利用可能な全ての事前学習モデルを一覧表示します。
• XTTS v2による音声クローニング。 ロードしたXTTS v2モデルにspeaker_wav引数を渡すと、短い参照音声クリップから声をクローンし、XTTS v2が対応する言語でそのクローンした声で音声を生成します。
• 幅広い事前学習モデルのライブラリ。 このツールキットは、ドキュメントによれば基盤となるFairseqベースの大規模多言語モデルを通じて1,100以上の言語をカバーする事前学習モデルへのアクセスに加え、特定言語向けのより高品質な厳選モデルも提供します。
• モデルの訓練とファインチューニング。 事前学習モデルの実行に加え、このツールキットには独自の音声モデルを構築・微調整するためのトレーニングスクリプトとデータセット分析ユーティリティが含まれています — Coqui AIのホスト型トレーニングサービス終了以前は、歴史的に最も使われた機能の一つでした。
• XTTS v2のストリーミング推論。 このツールキットは、XTTS v2による低遅延ストリーミング合成を文書化しており(保守されているフォークのドキュメントによれば最初の音声出力まで200ミリ秒未満のレイテンシと引用)、対話型音声アプリケーションに有用です。

Coqui TTSとXTTS v2の関係

Coqui TTSのインストールと実行:手順

1. 1
   保守されているパッケージをインストールする。
   Why it matters: Python環境で`pip install coqui-tts`を実行してください(uvを使う場合は`uv pip install coqui-tts`)。特に`coqui-tts`パッケージをインストールしてください — 今は保守されていない元のリポジトリを指す古いパッケージ名`TTS`ではありません。
2. 2
   利用可能な事前学習モデルを一覧表示する。
   Why it matters: `tts --list_models`を実行すると、言語とアーキテクチャ(VITS、Tacotron2、XTTSなど)ごとに整理された、ダウンロード可能な事前学習モデルの全カタログが表示されます。
3. 3
   コマンドラインから音声を合成する。
   Why it matters: デフォルトモデルで合成するには`tts --text "Hello world" --out_path output.wav`を実行するか、リストから特定のモデルを選ぶには`--model_name <モデル>`を追加してください。
4. 4
   (オプション)XTTS v2の音声クローニングにPython APIを使う。
   Why it matters: `TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)`でモデルをロードし、短い参照音声クリップを指す`speaker_wav`引数と声をクローンするための`language`引数を指定して`.tts_to_file()`を呼び出します。
5. 5
   (オプション)GPUアクセラレーションを有効にする。
   Why it matters: `TTS()`コンストラクタに`gpu=True`を渡すか、ロードしたモデルオブジェクトで`.to("cuda")`を呼び出すことで、NVIDIA GPU上で推論を実行します — CPUのみでは明らかに遅くなるXTTS v2に推奨されます。
6. 6
   (オプション)XTTS v2のCPMLライセンスを非対話的に承諾する。
   Why it matters: XTTS v2を初めてロードすると、CPMLの承諾を求める対話的なステップが表示されます。環境変数`COQUI_TOS_AGREED=1`を設定すると非対話的に承諾でき、DockerコンテナやCIパイプラインでの無人実行に必要です。

実際の使用例

• 自動化環境向けの非対話的CPML承諾:XTTS v2を最初にロードする前にCOQUI_TOS_AGREED=1を設定しておくと、DockerビルドやCIパイプラインが対話的なプロンプトで止まらなくなります。
• 話者と言語のイントロスペクション:複数話者または多言語モデルをロードした後、tts.speakersとtts.languagesはロードしたモデルが実際にサポートする内容を一覧表示します — 合成前の入力検証に有用です。

# コマンドライン:利用可能な事前学習モデルを一覧表示
tts --list_models

# コマンドライン:デフォルトモデルで合成
tts --text "Hello world" --out_path output.wav

# コマンドライン:特定のモデルで合成
tts --model_name "tts_models/en/ljspeech/tacotron2-DDC" \
    --text "This is a test." --out_path output.wav

# Python API:基本的な合成
from TTS.api import TTS

tts = TTS("tts_models/en/ljspeech/tacotron2-DDC")
tts.tts_to_file(text="Hello world", file_path="output.wav")

# Python API:XTTS v2による音声クローニング(先にCPMLを非対話的に承諾)
# export COQUI_TOS_AGREED=1
import torch
from TTS.api import TTS

device = "cuda" if torch.cuda.is_available() else "cpu"
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(device)

tts.tts_to_file(
    text="Hola, esto es una prueba.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="cloned_output.wav",
)

# Python API:ロードしたモデルで利用可能な話者と言語を一覧表示
print(tts.speakers)
print(tts.languages)

ライセンスと費用

Coqui TTSが向いていない用途

• 元の、保守されていないリポジトリを基盤にすること。 pip install coqui-tts(保守されているフォーク)ではなくpip install TTS(元のパッケージ名)を実行した場合、2024年8月以降更新のないコードを基盤にすることになります — 依存する前に、チュートリアルや依存関係が実際にどのパッケージを参照しているか確認してください。
• 可能な限り最速のCPU専用合成。 Raspberry PiのようなGPUなしの控えめなハードウェア上でのリアルタイム音声が優先事項であれば、Piperがその目的専用に作られておりデプロイも簡単です。Coqui TTSのより大きなモデル、特にXTTS v2は、CPUのみでは明らかに遅くなります。
• 別途ライセンス確認なしでの商用音声クローニング。 Coqui TTSツールキットを通じてXTTS v2を実行しても、モデルの重みと出力に対するXTTS v2自身の非商用CPML制限は依然として適用されます — ツールキットのMPL-2.0ライセンスはそれを無効にしません。上記の「ライセンスと費用」セクションを参照してください。
• 長期的な企業サポートの保証。 Coqui AIという会社は2023年12月以降存在しません。現在のフォークは研究機関がコミュニティベースで保守しており、サポート契約付きの資金調達済み企業とは異なる保守モデルです — 重要な本番インフラの決定にはこれを考慮してください。
• バージョン間で単一の安定したAPI。 開発が保守されていないオリジナルと積極的に開発されているフォークの間で移動したため、オンライン上の一部のチュートリアル、Stack Overflowの回答、ブログ記事は古いAPI表面や元のパッケージ名を参照していることがあります — 古い検索結果ではなく、現在のcoqui-ttsドキュメントと照らし合わせて確認してください。

Coqui TTSの代替候補

よくある質問

結論

出典

• GitHubのidiap/coqui-ai-TTS — 積極的に保守されているフォーク:README、ドキュメント、ライセンス、リリース履歴。
• PyPIのcoqui-tts — 現在のMPL-2.0ライセンスとバージョン履歴を含む公開パッケージメタデータ。
• GitHubのcoqui-ai/TTS — 今は保守されていない元のリポジトリ(MPL-2.0ライセンス)。
• Hugging FaceのXTTS v2 — 音声クローニングモデルのモデルカードとCPMLライセンス本文。
• Idiap研究所 — コミュニティフォークを保守するスイスの研究機関。

関連記事

• ローカルTTSと音声クローニングのライセンス:Piper、XTTS v2、F5-TTS、Coqui — 主要なローカルTTSエンジン全体を扱うライセンスの詳細比較。
• XTTS v2レビュー — このツールキットが実行できる音声クローニングモデルの完全な内訳。
• Piper TTSレビュー — 同じ深さでレビューした、高速でCPU専用のローカルTTSの代替案。
• ElevenLabs対Piper対XTTS v2 — セルフホストするかどうかを決める読者向けの、クラウド対ローカルの比較。
• Bark TTSレビュー — 同じ深さでレビューした、表現力豊かで非音声のローカルTTSモデル。