XTTS v2レビュー(2026):わずか6秒の音声から多言語ボイスクローニング

XTTS v2が実際に行うこと

• 数秒でのボイスクローニング。 Coquiの公式モデルカードによれば、6秒の参照音声クリップ1つだけで声をクローンできる — 新しい声のためのファインチューニングや学習実行は不要。
• 言語をまたいだクローニングに対応した17言語サポート。 対応言語は英語、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。英語音声から声をクローンし、同じクローンした声で他の16言語のいずれでも音声を生成できる。
• ストリーミング推論。 XTTS v2は最初の音声出力まで200ミリ秒未満のレイテンシでストリーミング合成に対応しており、この機能がCoqui TTS v0.20.0で導入されて以来文書化されている — 完全な音声ファイルのレンダリングを待つには遅すぎるインタラクティブな音声アプリケーションで有用。
• Coqui TTSツールキット経由での実行。 XTTS v2を実行する主要かつサポート対象の方法はCoqui TTS(pip install coqui-tts)経由で、TTS("tts_models/multilingual/multi-dataset/xtts_v2")として公開されている。
• 話者埋め込みの再利用。 毎回生の参照クリップを渡す以外に、ツールキットは話者の潜在埋め込みを計算して再利用することをサポートしており、同じクローンした声で繰り返し合成する際の再計算を回避できる。

実際の使用例

• 参照音声の品質が重要。 バックグラウンドノイズや音楽のない単一話者のクリーンな6秒クリップは、短くノイズが多い、または複数話者のクリップよりも明らかに優れたクローンを生成する。
• 非対話的なCPML同意 は、無人環境(Docker、CI)でXTTS v2が初めてロードされる際に必要 — その初回ロード前に COQUI_TOS_AGREED=1 を設定すること。

# ツールキットをインストール
pip install coqui-tts

# CPMLに非対話的に同意する(Docker/CIでは必須。そうしないと
# 初回ロード時に対話的なプロンプトが表示される)
export COQUI_TOS_AGREED=1

# Python API: 声をクローンして音声を生成
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)

# 同一言語でのクローニング
tts.tts_to_file(
    text="This is a cloned voice speaking a new sentence.",
    speaker_wav="reference_voice.wav",
    language="en",
    file_path="output_en.wav",
)

# 言語をまたいだクローニング: 英語音声からクローンし、スペイン語で話す
tts.tts_to_file(
    text="Esta es la misma voz clonada, ahora hablando en español.",
    speaker_wav="reference_voice.wav",
    language="es",
    file_path="output_es.wav",
)

# ストリーミング合成(最初の音声出力までのレイテンシが低い)
for chunk in tts.tts_stream(
    text="Streaming audio, chunk by chunk, for interactive use.",
    speaker_wav="reference_voice.wav",
    language="en",
):
    play_audio(chunk)

ライセンスと商用利用

XTTS v2が向いていないこと

• 確認済みライセンスのない商用製品全般。 CPMLは非商用であり、2023年のCoqui AIの閉鎖後、確認済みで有効な商用ライセンスへの道筋は現在ありません。ライセンス条件を独自に確認しないまま、有料製品、広告付きアプリ、クライアント成果物にXTTS v2を出荷しないでください。
• CPUのみ、リソースが限られたリアルタイム利用。 XTTS v2は低レイテンシのストリーミングに対応していますが、その性能はGPUアクセラレーションを前提としています。CPUのみでは、Piperのような軽量エンジンより明らかに遅く、Raspberry Piのような控えめなハードウェアでのリアルタイム利用には実用的でない可能性があります。
• 非常に短い、またはノイズの多い音声からのボイスクローニング。 6秒が文書化された最小値ですが、ノイズが多い、圧縮されている、または複数話者の参照クリップは、クリーンな単一話者の録音よりも明らかに劣るクローンを生成します。
• 対応する17言語以外の言語。 XTTS v2は英語、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、ヒンディー語のみに対応しており、本記事公開時点で追加言語の公式ロードマップはありません。
• 同意のない本人なりすまし。 実在の人物の声を本人の知識や同意なしにクローンすることは、CPMLの非商用制限とは独立した、同意、パブリシティ権、場合によっては詐欺やなりすましに関する懸念を生じさせます。これらはライセンス条件に関係なく、個人利用・商用利用のいずれでも適用されます。

XTTS v2の代替案

よくある質問

結論

出典

• Hugging Face上のXTTS v2 — モデルカード:言語、クローニング要件、ライセンス参照。
• XTTS v2 LICENSE.txt — Coqui Public Model License(CPML)1.0.0の全文。
• GitHub上のidiap/coqui-ai-TTS — XTTS v2を実行する、活発にメンテナンスされているツールキットと使用方法のドキュメント。
• Coqui TTSレビュー — PromptQuorumによるツールキットの専用レビュー。閉鎖後のメンテナンス履歴を含む。
• ローカルTTSとボイスクローニングのライセンス — ローカルTTSエンジン全体のライセンス完全比較。

関連記事

• Coqui TTSレビュー — XTTS v2を実行するツールキット。Coqui AI閉鎖後のメンテナンス状況を含む。
• 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エンジン全体のライセンス詳細解説。
• ElevenLabs vs Piper vs XTTS v2 — セルフホストするかどうかを検討する読者向けの、クラウドとローカルの比較。
• Piper TTSレビュー — 高速で寛容なライセンスの、CPUのみのローカルTTS代替案。
• Bark TTSレビュー — 表現力豊かな非音声オーディオのローカルTTSモデルを、同じ深さでレビュー。