ローカルTTSとボイスクローニング2026：Piper vs Coqui vs XTTS v2 vs F5-TTS vs Bark vs StyleTTS 2

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。
• 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。

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。

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2023年末に閉鎖。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。
• VRAM： 4〜6 GB GPU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）。研究・個人利用は無料。商用利用にはライセンス契約が必要。

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。

ライセンス詳細 — 商用利用において重要

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。

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。