ローカルTTSとボイスクローニングのライセンス2026：商用利用できるエンジンは？（Piper、XTTS v2、F5-TTS、Coqui）

クイックファクト

• 最速のローカルTTS： Piper — Raspberry Pi 5でリアルタイム動作、モダンなデスクトップCPUでリアルタイムの約10倍速。
• 最高のボイスクローニング品質： XTTS v2 — 6秒の参照音声、17言語での多言語クローニング。
• 最速のゼロショットボイスクローニング（新アーキテクチャ）： F5-TTS — 約3秒の音声、フローマッチング、RTX 4070で約3〜5倍のリアルタイム速度。
• 最も柔軟なオープンソースツールキット： Coqui TTS — VITS、Tacotron2、XTTSバックエンドをサポート、20+言語モデル。
• 唯一の生成的オーディオ（非音声サウンド）： Bark — 笑い声、ため息、音楽、環境音。最も遅い。
• 最高の英語ナレーション品質： StyleTTS 2 — 拡散ベースのスタイル転送、LJSpeechベンチマークで人間に近いMOS。
• 商用利用が無料： Piper、Bark、StyleTTS 2（MIT）；Kokoro、Tortoise（Apache 2.0）；Coqui TTSツールキット（MPL 2.0、条件あり）。非商用： XTTS v2（CPML）、F5-TTS（CC-BY-NC-4.0）。
• XTTS v2の音声と言語： 固定の音声リストはありません — 6秒の参照クリップを与えると、その音声をクローンします。モデルには組み込みの話者プリセットが同梱されており、17言語で生成します：en、es、fr、de、it、pt、pl、tr、ru、nl、cs、ar、zh-cn、ja、hu、ko、hi。
• XTTS v2のVRAM： モデル重みは~2 GB；実行には最低4 GB、リアルタイム推論には4〜6 GB推奨。
• CI/DockerでCPMLを承諾： export COQUI_TOS_AGREED=1 — 対話的なプロンプトは不要。
• VRAM要件： Piper：CPUのみ。Kokoro：CPU / 1〜2 GB。StyleTTS 2：2〜4 GB。Coqui VITS：2〜4 GB。F5-TTS：3〜5 GB。XTTS v2：4〜6 GB。Bark：4〜8 GB。Tortoise：4〜8 GB。

ローカルTTSが重要な理由

• プライバシー： テキストコンテンツが端末の外に出ることは一切ありません。医療口述、法律要約、日記の読み上げ、機密文書の音声化に不可欠です。
• コスト： クラウドTTSの料金は通常100万文字あたり4〜30ドルです。月に1000万文字を生成する開発者は、一度きりのローカルセットアップで月40〜300ドルを節約できます。
• レイテンシ： ネットワーク往復がありません。PiperはCPUで50ms未満で最初の音声トークンを生成します — あらゆるクラウドTTSの往復より高速です。
• カスタマイズ： ボイスクローニング（XTTS v2、F5-TTS、Coqui）により、数秒の音声からカスタムボイスを作成できます。クラウドプロバイダはクローン音声1つにつき月10ドル以上請求します。
• オフライン動作： 飛行機内、セキュリティ施設、インターネットのない遠隔地で動作します。キオスクや機器向けの組み込み音声UIとして使用できます。
• スマートホーム： Piperは常時稼働のローカル音声インターフェースの主要TTS層で、Raspberry PiでもGPU不要でリアルタイム動作します。Home Assistantと連携した完全オフライン音声アシスタントは、スマートホーム向けローカル音声アシスタント →をご覧ください。

比較表

初回音声レイテンシ比較

Piper TTS — 最速の軽量オプション

• アーキテクチャ： ONNXインターフェースを持つVITSニューラルTTS。シングルボードコンピュータと組み込みLinux向けに設計。
• インストール： pip install piper-tts。事前トレーニング済みボイスパックはHugging FaceのPiper voicesリポジトリで入手可能。
• 使用方法： echo "こんにちは" | piper --model ja_JP-kokoro-medium.onnx --output_file output.wav
• ボイスパック： 20+言語、各言語に複数のボイスオプション。各ボイスパックは20〜200 MBのONNXモデルファイルです。
• 速度： モダンなデスクトップCPUでリアルタイムの約10倍速。Raspberry Pi 5でリアルタイム。50ms未満の初回音声レイテンシ。
• Apple Silicon： M5 Pro（CPU、ARM NEON）で約15倍のリアルタイム速度。GPUなしでネイティブ動作 — Macで優れたパフォーマンス。
• サンプルを聴く： Piper音声サンプル
• 最適用途： ホームアシスタント、キオスクデバイス、組み込み音声UI、GPUが利用できないプライバシー重視の読み上げ。
• 制限： ボイスクローニングなし。品質は「良い」水準 — 自然に聞こえますが、XTTS v2やStyleTTS 2と比べると明確に合成音声。
• ライセンス： MIT — 完全に商用可、制限なし。
• Kokoro TTS — Piperの代替： Kokoro TTSは軽量カテゴリでPiperの新興代替品です。CPUで高速なまま、Piperより高い自然さを達成します。Apache 2.0ライセンス。PiperのクオリティがニーズをMたしていないが、GPU VRAMを用意できない場合は、Kokoroを試す価値があります。

Coqui TTS — 最高のオープンソース総合ツールキット

• インストール： pip install TTS。モデルは初回使用時に自動ダウンロード。
• ボイスクローニング： 6秒以上の参照音声を提供します。tts --text "こんにちは" --model_name tts_models/ja/kokoro/tacotron2-DDC --speaker_wav sample.wav --out_path output.wav
• バックエンドオプション： VITS（最速、良質）、Tacotron2（旧式、低速）、XTTS（最高品質、XTTS v2セクション参照）。
• 言語： tts --list_modelsで20+言語モデルが利用可能。
• VRAM： VITSバックエンドで2〜4 GB；XTTSバックエンドで4〜6 GB。
• Apple Silicon： M5 Pro（CPU）で約8倍のリアルタイム速度。Metal GPU加速なし。バッチ生成に使用可能。
• コミュニティ状況： Coqui社は2024年1月に閉鎖。オープンソースリポジトリ（coqui-ai/TTS）はコミュニティによりメンテナンス中。アクティブな商用サポートなし。
• ライセンス： MPL 2.0 — 商用利用可、ただし変更のソースコードを開示する必要あり。
• 最適用途： オープンソースツールキットと寛容なライセンスでボイスクローニングを求める開発者。

XTTS v2 — 最高のボイスクローニング品質

• アーキテクチャ： スピーカーコンディショニングを持つGPTベースのTTS。韻律モデリングのためのビジョントランスフォーマー。
• ボイスクローニング： 6秒の参照音声で説得力のあるボイスクローンに十分です。3秒でも合格点の品質が得られます。
• 多言語クローニング： 1つの言語で音声をクローンし、同じ声の特性で17の異なる言語で音声を生成。
• 言語（17）： 英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語、ポーランド語、トルコ語、ロシア語、オランダ語、チェコ語、アラビア語、中国語（zh-cn）、日本語、ハンガリー語、韓国語、ヒンディー語。韓国語とヒンディー語はXTTS v2.0.3で追加されました。
• 「XTTS v2の音声」： 名前付きの音声の固定カタログはありません。XTTS v2はクローニングモデルです — 6秒の参照クリップを与えると、その話者を再現します。リポジトリには手早くテストするための組み込み話者プリセットがいくつか同梱されていますが、想定される使い方は独自のspeaker_wavを与えることです。
• VRAM： モデル重みは~2 GB。実用上の最低は4 GB VRAM；リアルタイム推論には4〜6 GB推奨。CPUでも動作しますが約5〜10倍遅くなります。
• 速度： 遅い — RTX 4070で約2倍のリアルタイム速度で生成。リアルタイム音声アシスタントパイプラインには不向き。
• Apple Silicon： M5 Pro（CPU、Metalアクセラレーションなし）で約3倍のリアルタイム速度。バッチ音声生成には使用可能、リアルタイム音声アシスタント出力には不向き。
• ライセンス： CPML（Coqui Public Model License） — 非商用。CPMLはモデルおよびその音声出力の個人・研究・趣味利用を許可しますが、別途の商用契約なしでの商用利用（有料製品、SaaS、広告付きコンテンツ、クライアント業務など）を禁止しています。Coqui社は2024年1月に閉鎖したため、現在XTTS v2の商用ライセンスを販売している主体は存在しません — 実務上はXTTS v2を非商用専用として扱ってください。COQUI_TOS_AGREED環境変数についてはCPMLの非対話的承諾セクションを参照してください。

from TTS.api import TTS

# Load XTTS v2 model
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")

# Clone voice from 6-second reference audio and synthesize in any of 17 languages
tts.tts_to_file(
    text="Bonjour, je suis votre assistant vocal.",
    speaker_wav="reference_voice.wav",   # 6+ seconds of the target speaker
    language="fr",                        # Output in French using the cloned voice
    file_path="output.wav"
)

Bark — 音声を超えた生成的オーディオ

• ユニークな機能： テキストに`[laughs]、[sighs]、[clears throat]、[music]、または[sound effect: wind]`を含めると、Barkは音声と共にそれらのサウンドを生成します。
• 従来のTTSとは異なる制御性： 同じ入力でも実行ごとに出力が異なります。品質は一貫していません — 優れた出力もあれば、アーティファクトや不明瞭なセグメントがある出力もあります。
• 速度： 遅い — RTX 4090でさえリアルタイムより2〜4倍遅い。インタラクティブアプリケーションには不向き。
• Apple Silicon： M5 Pro（CPU、MPS部分的）で約1.5倍のリアルタイム速度。MPS（Metal Performance Shaders）サポートは部分的 — ほとんどの推論は依然としてCPUにフォールバック。
• 最適用途： クリエイティブオーディオ、効果音付きポッドキャスト制作、インタラクティブフィクション、実験的音声アプリケーション。
• VRAM： 4〜8 GB GPU。CPUでは品質が大幅に低下します。
• インストール： pip install suno-bark。モデルは初回実行時にダウンロード（約2 GB）。
• ライセンス： MIT — 完全に商用可。
• 制限： 信頼性の高いボイスクローニングなし。Barkに付属する「音声プリセット」は概算的なもの — 真のボイスクローニングシステムではありません。

StyleTTS 2 — 最高の自然な品質

• アーキテクチャ： 拡散ベースのスタイル転送。テキストを音声に決定論的にマッピングするのではなく、スピーキングスタイルの学習した分布からサンプリング。
• 品質： LJSpeechベンチマークにおけるすべてのオープンソース英語TTSエンジンの中で最高のMOSスコア。
• 最適用途： オーディオブックのナレーション、プロフェッショナルな音声、ポッドキャスト制作。
• インストール： GitHubリポジトリをクローン、要件をインストール（pip install -r requirements.txt）、モデルチェックポイントをダウンロード（約500 MB）。
• 言語サポート： 主に英語。非英語での使用は推奨しません。
• ボイスクローニング： サポートなし。StyleTTS 2はトレーニング済みスピーカーボイスのみで生成。
• VRAM： 2〜4 GB GPU。RTX 4070で約5〜8倍のリアルタイム速度でXTTS v2より高速。
• Apple Silicon： M5 Pro（CPU）で約6倍のリアルタイム速度。Metalアクセラレーションなし。
• ライセンス： MIT — 完全に商用可。

F5-TTS — ゼロショットボイスクローニング、完全オープン

• アーキテクチャ： XTTS v2が使用するGPTベースのアーキテクチャではなく、フローマッチング（拡散のバリアントアプローチ）を採用。通常、競争力のある品質でより高速な推論を提供。
• ボイスクローニング： 約3秒の参照音声で十分。ファインチューニング不要。
• 品質： 英語でXTTS v2と競争力あり。コミュニティ評価でMOSスコア約4.1。
• 速度： RTX 4070で約3〜5倍のリアルタイム速度 — XTTS v2より高速。
• 言語： 英語と中国語の強力なサポート、他言語への拡大中。
• Apple Silicon： M5 Pro（CPU）で約2倍のリアルタイム速度。現在Metalアクセラレーションなし。
• VRAM： 3〜5 GB GPU推奨。
• インストール： pip install f5-ttsまたはGitHubからクローン。
• ライセンス： CC-BY-NC-4.0 — 非商用利用のみ。商用利用には別途契約が必要。

ライセンスと商用利用 — このTTSエンジンを商用利用できるか？

CPMLを非対話的に承諾する（COQUI_TOS_AGREED）

• シェル / CI： スクリプトを実行する前にexport COQUI_TOS_AGREED=1。
• Docker： DockerfileにENV COQUI_TOS_AGREED=1を追加するか、docker runに-e COQUI_TOS_AGREED=1を渡す。
• Python（モデル読み込み前に設定）： `import os; os.environ["COQUI_TOS_AGREED"] = "1" — TTS(...)`がXTTSモデルをインスタンス化する前に実行する必要があります。
• 何をするか： CPMLの非対話的な承諾を記録し、モデル読み込みがy/nプロンプトでブロックされないようにします。商用ライセンスではなく、非商用制限を取り除くものでもありません。

# 1) シェル / CI — セッションに対して一度CPMLを承諾する
export COQUI_TOS_AGREED=1

# 2) Dockerfile — 承諾をイメージに焼き込む
# ENV COQUI_TOS_AGREED=1

# 3) Python — モデル作成前に設定する
import os
os.environ["COQUI_TOS_AGREED"] = "1"   # 下記の TTS() 呼び出しより前に設定する必要がある

from TTS.api import TTS
tts = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to("cuda")
# これでモデルは対話的なライセンスプロンプトなしに読み込まれる

ローカルTTSとElevenLabsおよびクラウドTTSの比較

• 品質上限： ElevenLabs > StyleTTS 2 ≈ XTTS v2 > F5-TTS ≈ Coqui TTS > Piper。
• レイテンシ： ローカルPiper（初回音声30〜50 ms）はElevenLabs APIの往復（300〜500 ms）より高速。
• コスト： ElevenLabsは月5〜99ドルのティア制。ローカルTTSは一度のハードウェア購入後0ドル。
• ボイスクローニング： ElevenLabs Instant Voice Clone ≈ XTTS v2品質。ElevenLabs Professional Voice Cloneはすべてのローカルエンジンを超える。
• プライバシー： ローカルTTS = 音声データはどこにも送信されない。ElevenLabs = 音声がそのサーバーで処理される。
• オフライン機能： ローカル = 完全オフライン。ElevenLabs = インターネットが必要。
• クラウドを使うべき場合： プロフェッショナルな音声制作、最高品質が求められるユーザー向け製品。
• ローカルを使うべき場合： プライバシー重視の音声、組み込みデバイス、コスト重視のバッチ処理、オフライン環境。

選び方

• ボイスクローニングが必要？ → XTTS v2（最高品質、CPML）またはF5-TTS（新アーキテクチャ、高速、CC-BY-NC-4.0）またはCoqui VITS（良い品質、MPL 2.0）。クローニング不要：Piper（速度）またはStyleTTS 2（品質）。
• CPUのみ / Raspberry Piが必要？ → Piperのみ。Kokoroはより高品質なCPU代替（Apache 2.0）。他のすべてのエンジンはGPUが必要。
• 非音声サウンドを含む創作オーディオが必要？ → Bark。他のローカルエンジンは笑い声、ため息、音楽をネイティブに生成できない。
• 最高の英語ナレーション品質が必要？ → StyleTTS 2。
• 多言語サポートが必要？ → XTTS v2（17言語）、Coqui（20+）、Piper（20+パック）。
• 完全に商用可能なMITライセンスが必要？ → Piper、Bark、またはStyleTTS 2。
• 音声アシスタントパイプラインを構築？ → 低レイテンシTTS出力にPiper。

よくある質問

ソース

• Piper TTS on GitHub — ソースコード、ボイスパック、ONNXモデルダウンロード、Raspberry Pi セットアップガイド。
• Coqui TTS on GitHub — ソースコード、モデルリスト、ボイスクローニングドキュメント、Python API リファレンス。
• XTTS v2 ドキュメント — XTTS v2 モデルカード、ライセンス（CPML）、ボイスクローニング API。
• F5-TTS on GitHub — フローマッチング TTS、ゼロショットボイスクローニング、インストールガイド、多言語サポート。
• Tortoise TTS on GitHub — ボイスクローニング対応の高品質マルチボイスTTS、Apache 2.0ライセンス。非常に遅いが商用フレンドリー。
• XTTS-v2 LICENSE.txt（CPML）on Hugging Face — XTTS v2を規定するCoqui Public Model Licenseの全文。

日本語TTS完全ガイド：VOICEVOX・Style-Bert-VITS2・XTTS v2

• VOICEVOX（推奨）： 完全無料・オフライン・商用可。四国めたん、ずんだもん等の個性的なキャラクター音声が特徴。Windows/Mac/Linux対応。APIモードで他アプリと連携可能。音声クローニング非対応だが日本語品質は最高水準。
• Style-Bert-VITS2： VOICEVOXより自然な感情表現が可能な上位互換TTS。訓練データがあれば任意話者のクローニングも可能。GPU推奨（CUDA）だがCPUでも動作。日本語アニメ・ゲーム用途で特に人気。
• XTTS v2の日本語対応： 多言語クローニングが強み。日本語テキストには事前処理が必要：pip install pyopenjtalkでフリガナ変換を追加すると品質が大幅改善。サンプル音声30秒あれば任意の話者に近似可能。
• 個人情報保護とプライバシー： 声紋データは生体情報に相当。個人情報保護法（PIPA）の2022年改正により、クラウドTTSサービスへの音声送信には利用者同意が必要。ローカルTTSはこの問題を根本的に回避。
• コミュニティリソース： VOICEVOX公式サイト（voicevox.hiroshiba.jp）、Style-Bert-VITS2（GitHub）、日本語TTSの最新動向はZenn「#TTS」タグ、Qiita「音声合成」タグで追跡可能。

関連記事

• 2026年の完全オフライン音声アシスタント構築 — PiperまたはCoqui TTSをWhisper + LLM + TTSパイプラインの出力レイヤーとして使用。
• ローカル音声認識2026：Whisper.cpp vs faster-whisper — 音声パイプラインの入力側。
• ローカルマルチモーダルAIパイプライン2026 — 完全なマルチモーダルスタックの音声出力レイヤーとしてTTSを統合。
• ローカルLLM向けベストバジェットGPU — XTTS v2、F5-TTS、Bark、またはStyleTTS 2を実行するためのGPU選択。
• コンテンツクリエイター向けベストAI音声合成 — Piper vs Coqui XTTS vs ElevenLabs Local：音声品質とレイテンシ比較。