見出し画像

82Mの軽量TTS「Kokoro」をローカルPC(CPU)で動かしてみた

あさぎ　あい

ざっくりまとめ

  • 軽量TTS「Kokoro」を検証

  • CPU環境でも実用的な生成速度（10秒の音声が約3秒）

  • 品質は淡々としている感じ


1. はじめに：「Kokoro」とは

このモデルは、2024年のクリスマス（12月25日）にhexgradという名前で活動する個人の研究者によって公開されました（Discordなどでは @rzvzn というハンドルネームでも知られています）。

まず驚くべきは、その圧倒的な「身軽さ」です。昨今のAIモデルが数億、数十億という巨大なパラメータ数を誇る中で、Kokoroのパラメータ数はわずか82M。ファイルサイズにしても100MBを切る程度です。

しかし、その小さな体には、最新の技術が凝縮されています。

技術的な背景と驚きのエピソード

  • 開発のルーツ：高品質な音声合成として名高い「StyleTTS2」のアーキテクチャをベースに、高速なデコーダー（ISTFTNet）を組み合わせることで、計算量を極限まで削ぎ落としています。

  • 驚異の学習コスト：これほど高品質なモデルでありながら、学習にかかった費用はわずか1,000ドル程度（約15万円ほど）と言われています。効率的な学習がいかに重要かを証明するような、夢のあるエピソードですよね。

  • オープンな精神：ライセンスはApache-2.0。商用利用も含め、誰でも自由に、そして無料で使うことができます。

  • 多言語への対応：英語から始まり、現在は日本語、中国語、フランス語、スペイン語など、多くの言語をサポートしています。

「実は、この『StyleTTS2』という技術、前回の記事でご紹介した『Tsukasa Speech』のベースにもなっていたんです。別の技術かと思って調べ始めたのですが、こんなところでまたご縁があるとは驚きですね。

想定されている用途
この軽量さがもたらす最大の恩恵は、「AIをクラウドから手元（ローカル）へ取り戻せる」ことです。

  • デバイス上での動作：高価なGPUを積んだPCでなくても、スマホやシングルボードコンピュータ（Raspberry Piなど）、あるいは今回私が試したような「ごく普通のノートPC」のCPU環境で、リアルタイムに喋らせることができます。

  • オフライン環境：ネットに繋がなくても使えるため、プライバシーが気になる用途や、電波の届かない場所でのアシスタントにも最適です。

  • アプリへの組み込み：非常に軽いため、個人の開発者が自分のアプリに「声」を実装する際、コストやリソースを気にせず導入できる有力な選択肢となります。

エッジデバイスでの動作を想定しているようですね。今回は、この「Kokoro」を私のノートPCで動かしてみようと思います。

2. 環境構築

動作環境は前回までと同様ノートPC（Windows ＋ CPU環境）です。環境構築は、いつものようにMinicondaを使って、他の環境を汚さない「専用の個室」を作ることから始めます。

注意点
本手順は、私が実際に手元の環境で動作を確認した記録をベースにしています。ただし、ご自身のPC（ローカル環境）で動かす場合、いくつか事前にお伝えしておきたいことがあります。

  • 動作の保証について：お使いのPCのOS詳細バージョンや、すでにインストールされている他ソフトとの干渉により、100%の動作保証は難しいです。ただ、動かなかったとしてもかなりの部分は参考になると思います。

  • バージョンの指定：エラーを回避するため、ライブラリのバージョンを可能な範囲で細かく指定しています。アップデートによって状況が変わる可能性がある点だけ、頭の片隅に置いておいていただけると嬉しいです。

  • コードの修正：元のソースコードのままではWindows環境でエラーが出る箇所があったため、一部ファイルの修正を行い手順と参考に、修正したファイルを含めています。

今回もPython 3.11を選択しました。基本的にはコマンドをコピー＆ペーストしていけば進みますが、一箇所だけ「外部ソフトのインストール」という大切なステップがあります。

隔離環境（Conda）の作成
まずはターミナル（PowerShellなど）を開いて、作業用のディレクトリを作って移動しましょう。

# 好きな場所にディレクトリを作って移動します
cd （作業用フォルダ）

# 新しい環境を作成 (Python 3.11)
conda create -n kokoro python=3.11 -y

# 作成した環境に入ります
conda activate kokoro

PyTorch (CPU版) のインストール
今回は「ノートPCのCPUで軽快に動かす」のが目的なので、重たいGPU版ではなくCPU版を導入します。

conda install pytorch==2.5.1 torchvision==0.20.1 torchaudio==2.5.1 cpuonly -c pytorch -y

日本語処理と本体のインストール
Kokoro本体と、日本語を正しく読み上げるための「辞書」たちをまとめてインストールします。

# Kokoro 本体と音声処理ライブラリ
pip install kokoro==0.9.4 soundfile==0.13.1

# 日本語を扱うための大切なライブラリ群
pip install pyopenjtalk==0.4.1 fugashi==1.5.2 jaconv==0.5.0 cutlet==0.5.0 mecab-python3==1.0.12 unidic-lite==1.0.8
pip install gradio==6.14.0

外部ソフト「eSpeak NG」の準備
ここが、今回の構築で唯一「手作業」が必要なポイントです。 ここさえ乗り切ればあとは簡単なので、一緒にやっていきましょう！　Kokoro（ひいてはベースのStyleTTS2）は、文字を音（音素）に変換する過程で「eSpeak NG」という外部ソフトの力を借ります。

  1. ダウンロード：GitHubのリリースサイトから、Windows用のインストーラー（espeak-ng-X64.msiなど）をダウンロードして実行します。

  2. パス（Path）を通す：Windowsの「システム環境変数の編集」を開き、Pathの項目に C:\Program Files\eSpeak NG を追加します。

  3. 再起動：設定を反映させるため、一度PowerShellの画面を閉じて、再度立ち上げ直してください。（これを忘れると「ソフトが見つからないよ」と怒られてしまいます）

Web UI の起動
最後に、ブラウザで操作できるように公式のWeb UIを準備します。

# 公式のソースコードを手元にコピー
git clone https://huggingface.co/spaces/hexgrad/Kokoro-TTS
cd Kokoro-TTS

# ここでファイルを修正（または修正済みの app.py と差し替え）
# ※具体的な修正内容は下記参照

公式の app.py は、そのまま動かそうとすると英語専用の設定になっていたり、Windowsだとエラーが出てしまったりします。そこで、私が実際に行った修正のポイントを詳しく解説しますね。

ファイルの修正

① パイプラインに「日本語」を教える
元のコードは、英語（アメリカ・イギリス）の道しか用意されていません。そこに日本語の道を追加してあげます。
　・修正内容: KPipeline の設定に、日本語を表す 'j' を追加しました。

② 日本語ボイスを「初期選択」にする
起動した時に、最初から日本語で試せるようにWeb UIの設定を変更しました。
　・修正内容
　　　選択肢（CHOICES）に日本語の Alpha を追加。
　　　入力欄（text）の初期値を 「こんにちは、動作確認です。」 に変更。
　　　デフォルトの声を日本語（jf_alpha）に変更。

③ Windows特有の「文字化け」対策
Windows環境で一番の躓きポイントが、ファイルの読み込みエラーです。
　・修正内容
　　　 テキストファイル（en.txt など）を読み込む部分に、
　　　encoding='utf-8' という記述を付け加えました。

④ クラウド用コードの「お掃除」
Hugging Faceのサーバーで動かすための特殊な命令（GPUの割り当て管理など）を、自分のPC向けにシンプルに整えました。
　・修正内容
　　　import spaces をコメントアウトし、起動時のオプション
　　　（app.launch()）からサーバー専用の設定を外しました。

手動での修正が不安な方のために、修正箇所が数行なので、基本は手動修正を推奨しますが、実際に使用した修正済みファイルをこちらに添付します。ダウンロードして、元のファイルと差し替えてお使いください。
(セキュリティに不安がある方は、オリジナルファイルとのdiffを確認してから使って頂けたらと思います)

3. 動作結果

準備が整ったら、いよいよ実際に動かしてみましょう。

# いよいよ起動です！
python app.py

画面に http://localhost:7860/ と表示されたら成功です。ブラウザでそのURL(http://localhost:7860/)を開くと、先ほど修正した通りの使い勝手の良い画面が立ち上がります。

操作はとてもシンプルです。左側の「Input Text」に文章を入力し、オレンジ色の 「Generate」 ボタンをクリックするだけ。

推論速度：CPU環境での手応え
私のノートPC（CPUのみ）で動かしてみたところ、約10秒の文章を生成するのにかかった時間は3秒ほどでした。

正直な感想を言うと、この数値は以前試した「Tsukasa Speech」とそれほど大きな差はありません。Kokoroは82Mと極めて軽量ですが、私のCPU環境においてはTsukasaも十分に健闘していたため、速度面での劇的な変化というよりは「同等にサクサク動く」という印象です。

音声の質感：使い分けのポイント
実際に生成された音声がこちらです。

第一印象は、「とても素直で、淡々としている」ということ。 StyleTTS2ベースらしい音の明瞭さは備わっていますが、前回のTsukasa Speechで見られたような豊かな抑揚や「溜め」と比べると、少し棒読み寄りの落ち着いた響きです。

前回のTsukasa Speech

「感情を込めて物語を語らせたい」という用途であれば、速度がそれほど変わらない分、表現力に勝るTsukasaの方が満足度は高いかもしれません。一方で、Kokoroのこの「飾り気のなさ」は、ニュースの読み上げや機器のアナウンスなど、情報を正確に伝えたいシーンには馴染みやすいと感じました。

4. まとめ

「Kokoro」は、Apache-2.0という自由度の高いライセンスで公開されており、これだけ軽ければオフライン環境や自作アプリへの組み込みなど、さまざまな活用方法が考えられます。

StyleTTS2をベースにしたこのモデルが、わずか1,000ドルほどのコストで開発されたという背景も含め、非常に興味深いプロジェクトです。

日本語化のためにソースコードを数行書き換えるといった「一手間」は必要ですが、それを含めても導入のハードルは低い部類に入ります。この記事が、皆さんの環境構築の少しでもお役に立てば幸いです。

最後までお読みいただき、ありがとうございました。


いいなと思ったら応援しよう！

あさぎ　あい よろしければ応援してくれると嬉しいです！いただいたチップは、記事づくりや学びの時間に大切に使わせていただきます。

この記事が参加している募集

#

やってみた

12万件