Piper対Chatterbox TTS比較(2026年版):高速ローカル音声か音声クローンか

両ツールが実際に行うこと

• Piper:高速・固定音声・CPU優先の合成。 Piperはespeak-ngでテキストを音素に変換し、その音素からONNX RuntimeにエクスポートされたVITS系モデルで波形を合成する。これによりRaspberry Piでもリアルタイム動作できるほど高速になる。各音声は個別に学習されダウンロード可能なモデルであり、サンプルから新しい声を生成する仕組みはない。
• Chatterbox:Llamaベースのゼロショット音声クローン。 Resemble AIが公開したChatterboxは、Llamaベースの5億パラメータアーキテクチャを使用する。Resemble AI自身が公表した評価方法によれば約7〜20秒という短い参照音声クリップがあれば、その声をクローンして新しい発話を生成でき、ファインチューニングや追加学習は不要。
• Exaggerationパラメータ(Chatterboxのみ)。 Chatterboxは生成音声の感情強度を調整するexaggerationパラメータ(デフォルト0.5)を公開しており、プロジェクトのドキュメントでは値を上げると発話速度が速くなる傾向があり、cfg(クラシファイアフリーガイダンス)を下げることでよりゆっくりと丁寧な話し方に調整できると説明されている。
• ニューラル電子透かし(Chatterboxのみ)。 Chatterboxが生成するすべての音声クリップには、Resemble AIが設計した知覚不能なPerth透かしが埋め込まれており、MP3圧縮や一般的な音声編集を経ても残存するよう設計され、AI生成音声を後から識別できることを目的としている。
• Piperにはクローン機能、感情制御、透かし機能のいずれもない — これは意図的に機能範囲を絞ったツールであり、その代わりにCPU専用での速度とはるかに小さいリソース消費を実現している。

徹底比較

実際の使用例

• PiperはGPUの設定が一切不要 — pip install piper-ttsによりONNX RuntimeのCPU依存関係が自動的に導入される。
• Chatterboxはdevice="cpu"でも動作するが、リアルタイム生成と公表された低レイテンシ性能はGPUアクセラレーションを前提としている。

# ── Piper: CPUでインストールと合成 ──────────────────────────────
pip install piper-tts
python3 -m piper.download_voices en_US-lessac-medium
python3 -m piper -m en_US-lessac-medium -f test.wav -- "This is a test."

# Piper Python API
from piper import PiperVoice
voice = PiperVoice.load("en_US-lessac-medium.onnx")
with open("test.wav", "wb") as wav_file:
    voice.synthesize_wav("Hello from Piper.", wav_file)

# ── Chatterbox: インストールと声のクローン ─────────────────────
pip install chatterbox-tts

import torchaudio as ta
from chatterbox.tts import ChatterboxTTS

device = "cuda"  # GPU推奨;"cpu"も可だが大幅に低速
model = ChatterboxTTS.from_pretrained(device=device)

# モデルのデフォルト音声で生成
wav = model.generate("This is a test.")
ta.save("output.wav", wav, model.sr)

# 短い参照音声からのゼロショットクローン、exaggeration設定付き
AUDIO_PROMPT_PATH = "reference_voice.wav"
wav = model.generate(
    "This is the cloned voice speaking a new sentence.",
    audio_prompt_path=AUDIO_PROMPT_PATH,
    exaggeration=0.6,
)
ta.save("output_cloned.wav", wav, model.sr)

ライセンスとハードウェアコスト

どちらを使うべきか

• 音声アシスタントと組み込み機器 → Piper。 Raspberry Piや同様の低電力ハードウェアでGPUに依存せずリアルタイム動作することこそPiperが設計された目的そのものであり、Home Assistantの音声パイプラインの既定のローカルTTSエンジンになっている理由もそこにある。
• アクセシビリティツールとスクリーンリーダー → Piper。 控えめなハードウェアでの固定で信頼できる音声と低レイテンシは、表現力やクローンよりもここでは重要になる。
• 特定の声によるオーディオブックのナレーションや吹き替え → Chatterbox。 短い参照音声からのゼロショットクローンと、テンポ・話し方を調整するexaggerationパラメータの組み合わせは、一貫性があり聞き分けやすい声が求められるナレーション作業に適する。
• パーソナライズされたブランド音声製品 → Chatterbox。 製品の価値提案が特定のクローンされた声 — ナレーター、ブランドのマスコット、選ばれたペルソナを持つパーソナルアシスタント — に依存する場合、Piperにはこれが一切できない;Chatterboxはまさにそのために作られている。
• 通話量の多い低予算・CPUのみのサーバー群 → Piper。 Piperの低リソース消費は、GPU依存のモデルよりも多数の同時CPUのみインスタンスにわたって予測しやすくスケールする。
• 迷ったらまずPiperから始める。 GPUへの依存がなく、pip install piper-ttsの1コマンドで導入でき、クローン要件のない「このテキストを読み上げる」という一般的なケースをカバーする。特定の声をクローンする必要が実際に生じた時点で、Chatterboxへの移行を検討すればよい。

どちらにも向かない用途

• Piperはサンプルからの音声クローンを一切できない。 要件の一部でも参照音声から特定の人物の声を再現することが含まれるなら、ハードウェア制約にかかわらずPiperは不適切なツールであり、代わりにChatterboxまたはXTTS v2を使用すること。
• CPUのみのハードウェアでのChatterboxはリアルタイム利用に適さない。 CPU(device="cpu")でも動作するが、公表されている低レイテンシ性能はGPUアクセラレーションを前提としている。CPUのみのChatterboxはオフラインのバッチ生成には適するが、対話的なリアルタイム音声には向かないと考えること。
• どちらのツールも実在の人物の声をクローンする際の同意の問題には対応していない。 本人の知識や同意なしに実在する特定できる人物の声をクローンまたは合成することは、両プロジェクトのソフトウェアライセンスとは無関係に存在する同意、パブリシティ権、さらには詐欺や成りすましに関する懸念を生じさせる — これはどちらのツールを使うかにかかわらず、商用・個人利用いずれの文脈でも当てはまる。
• Piperの現行リポジトリにおけるGPL-3.0は、クローズドソースでの再配布に対する実質的な制約となる。 Piper自身のソースコードを改変し、クローズドソース製品内で再配布する展開の場合、現行リポジトリのGPL-3.0-or-later条件が適用される — これは元のMITライセンスのリポジトリには存在しなかった制約であり、2025年10月以前に立てた計画は再確認する必要がある。
• Chatterboxが報告するElevenLabsに対する優位性はベンダーの主張であり、独立したベンチマークではない。 Chatterboxを発行するResemble AIは、第三者プラットフォームPodonosを通じて行った評価に基づき、ブラインド評価者がChatterboxをElevenLabsより好んだと報告している。PromptQuorumはこの評価を独自に再現していない。これはモデル発行元自身の主張として扱い、検証済みの第三者結果としては扱わないこと。ElevenLabsに対する音声品質がプロジェクトの決め手になる場合はそれを踏まえて重み付けすること。

代替ツール

よくある質問

結論

情報源

• GitHub上のOHF-Voice/piper1-gpl — 現在活発に保守されているPiperリポジトリ:README、ドキュメント、ライセンス、リリース履歴。
• GitHub上のrhasspy/piper — 元のPiperリポジトリで現在はアーカイブ済み(MITライセンス)、2025年10月6日にアーカイブ。
• GitHub上のresemble-ai/chatterbox — Chatterboxの公式リポジトリ:README、ライセンス、インストールおよび使用方法のドキュメント。
• Resemble AI: Chatterbox — Podonos経由で報告されたElevenLabsに対するブラインド評価者の選好を説明するResemble AI自身のページ。
• Piper TTSレビュー — 2025年のライセンス変更の経緯を含む、PromptQuorum独自のPiperレビュー。

関連記事

• Piper TTSレビュー — Piperの経緯全体、インストール手順、ライセンスの詳細解説。
• XTTS v2レビュー — 非商用ライセンスのもう一つのゼロショット音声クローンモデル、多言語クローンが必要な読者向けに比較。
• ローカルTTSと音声クローンのライセンス:Piper、XTTS v2、F5-TTS、Coqui — ローカルTTSエンジン全体にわたるライセンスの詳細解説。
• ElevenLabs対Piper対XTTS v2 — 自前でホストすべきかを判断する読者向けのクラウド対ローカル比較。
• Build a Fully Offline Voice Assistant in 2026 — Piperをローカルの大規模言語モデルおよび音声認識エンジンと組み合わせ、完全な音声パイプラインを構築する。