Piper vs Kokoro TTS(2026):どちらのローカル音声エンジンを使うべきか

各エンジンの実態

• Piperは、オフライン音声アシスタント向けのオープンソースツールキットであるRhasspy内でMichael Hansenがもともと作成したニューラルテキスト読み上げエンジンです。espeak-ngでテキストを音素に変換し、その音素からVITS系モデルを使って波形を合成し、ONNX RuntimeにエクスポートしてCPUのみのハードウェアでも高速に推論します。Home Assistantの音声パイプラインの既定のローカルTTSエンジンとなり、現在はOpen Home FoundationがOHF-Voice/piper1-gplで保守しています。PromptQuorumはPiper専用レビューで詳しく取り上げています。
• Kokoroは、hexgradとして知られる開発者がHugging Faceで公開した8,200万パラメータのオープンウェイトTTSモデルです。そのアーキテクチャはStyleTTS 2をベースにISTFTNetボコーダーを組み合わせ、拡散ステップを持たないデコーダーのみの設計で、多くの高パラメータ数TTSモデルより小型でシンプルなパイプラインです。Hugging Faceのモデルカードによれば、許容ライセンスまたはパブリックドメインの音声数百時間で学習され、バージョン1.0は2025年1月27日に公開されました。
• どちらのモデルも短い参照クリップから音声をクローンしません。 PiperとKokoroはそれぞれ選択可能な固定の事前学習済み音声セットを提供します——これは、6秒のサンプル音声から新しい声で音声を合成するXTTS v2のようなボイスクローニングモデルとは根本的に異なる機能です(ただし非商用ライセンス)。
• どちらも自分のハードウェア上で完全にオフラインで動作します。 どちらのエンジンもテキストや音声をクラウドAPIに送信しません——合成パイプライン全体がローカルで実行され、プライバシーに敏感なアプリケーションや、文字数課金のクラウドTTS費用を避けたい場合に重要です。

Piper vs Kokoro:徹底比較

実際の使用例

• Piperの方が起動が高速です。 音声ごとのONNXモデルの読み込みが速く、CPU上での合成もほぼ即座に行われるため、制約のあるハードウェア上でのインタラクティブな音声アシスタントによく選ばれます。
• Kokoroのパイプラインは合成をチャンクにまとめます(上記のgs/ps/audioタプル)。長いテキストに対して1回の呼び出しが連続した1つの音声バッファを返すと想定する前に、知っておく価値があります。

# ── Piper: インストールと音声合成 ─────────────────────────────
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("Fast, local speech synthesis.", wav_file)

# ── Kokoro: インストールと音声合成 ────────────────────────────
pip install kokoro soundfile

# Kokoro Python API(Hugging Faceのhexgrad/Kokoro-82Mより)
from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code="a")  # "a" = アメリカ英語
generator = pipeline(
    "Kokoro produces noticeably natural-sounding speech from a small model.",
    voice="af_heart",
)
for i, (gs, ps, audio) in enumerate(generator):
    sf.write(f"output_{i}.wav", audio, 24000)

ライセンスと費用

どちらを使うべきか

• Piperを選ぶべき場合: Raspberry Piや同様に制約のあるデバイスで動作させている、最初の音声までの遅延を可能な限り最小にする必要がある、またはHome Assistantの音声パイプラインに統合している場合(Piperは既定のローカルTTSエンジンです)。
• Kokoroを選ぶべき場合: オーディオブックやナレーションなど、リスナーが機械的な音声に気づくようなコンテンツを制作しており、最低限を超えるCPUまたはGPUの余裕がある場合。
• どちらも選ばず、代わりにXTTS v2を検討すべき場合: 短い参照クリップから特定の人物の声をクローンする必要がある場合——PiperとKokoroはどちらも固定の事前学習済み音声のみを使用し、どちらもボイスクローニングは行いません。クローニング対応の代替手段とそのライセンスについては、PromptQuorumのXTTS v2レビュー(非商用ライセンス)またはローカルTTSライセンスガイドを参照してください。
• どちらも選ばず、代わりにElevenLabs比較を検討すべき場合: 明確な有料ライセンスを持つ商用グレードのボイスクローニングが必要で、セルフホストを望まない場合。PromptQuorumのElevenLabs vs ローカルTTS比較を参照してください。

どちらにも向かない用途

• サンプルクリップから特定の人物の声をクローンすること。 どちらのエンジンも事前学習済み音声のみを提供します——短い参照録音から、これまで聞いたことのない新しい声で音声を生成する仕組みはどちらにもありません。代わりに、非商用ライセンスに注意しつつXTTS v2を参照してください。
• 感情表現豊かな非音声オーディオ(笑い声、ため息、環境音)。 どちらのエンジンも音声を合成しますが、Barkのようなモデルが対象とするより広い表現豊かなオーディオ範囲は扱いません。
• リソースコストを問わない最大限の音声忠実度。 リソース制約がなく、特に最高品質の英語ナレーションを求める読者には、PromptQuorumのStyleTTS 2レビューが、Kokoroと同等の基盤アーキテクチャを持ちつつ異なるサイズ/品質のトレードオフを持つモデルを取り上げています。
• Piper自身のソースコードを改変するクローズドソース製品内のGPL-3.0コードベース。 改変したPipterソースコードをフォークまたは静的リンクしてクローズドソースのバイナリに組み込む計画がある場合、Piperの現在のGPL-3.0-or-laterライセンスは実質的な制約となります——KokoroのApache-2.0ライセンスにはこの制約はありません。

代替ツール

よくある質問

結論

情報源

• Hugging FaceのKokoro-82M — モデルカード:パラメータ、アーキテクチャ、ライセンス、音声、公開日。
• GitHubのhexgrad/kokoro — Kokoroパイプラインのソースとドキュメント。
• GitHubのOHF-Voice/piper1-gpl — 現在活発に保守されているPiperリポジトリ、そのライセンスとドキュメント。
• GitHubのrhasspy/piper — 元の、現在はアーカイブされているMITライセンスのリポジトリ。
• Piper TTSレビュー — 2025年のライセンス変更の経緯を含む、PromptQuorumによるPiperの専用レビュー。

関連記事

• Piper TTSレビュー — 履歴とライセンス変更を含むPiperの完全なレビュー。
• XTTS v2レビュー — PiperにもKokoroにもない、真にボイスクローニングが必要な読者向け。
• ローカルTTSとボイス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エンジン全体にわたるライセンスの詳細解説。
• ElevenLabs vs Piper vs XTTS v2 — セルフホストするかどうか検討する読者向けのクラウド対ローカル比較。
• StyleTTS 2レビュー — Kokoroと同等の基盤アーキテクチャを持つ、関連する高品質でクローニング非対応のTTSモデル。