ローカルCPUだけで高品質TTS──Kokoroが示す「音声AIのオンデバイス化」

高品質な音声合成はクラウドGPUが必要、という前提が崩れつつある。ariya.ioは、82Mパラメータの音声合成モデル「Kokoro」を使い、ローカルCPUだけで実用的なTTS（Text-to-Speech）を動かす手順と性能を紹介した。

この動きは、単なる開発者向けの小技にとどまらない。音声AIをローカルで動かせれば、プライバシー、コスト、レイテンシ、オフライン利用の選択肢が広がる。企業が社内アシスタントや議事録読み上げ、教育コンテンツ生成を検討する際の設計にも影響する。

Kokoroとは何か

Kokoroは、Hugging Faceで公開されている82Mパラメータ規模のTTSモデルだ。英語を中心に、MandarinやHindiなど複数言語に対応し、約50種類の音声を利用できる。大規模モデルではないが、現実的な品質と軽さのバランスが注目されている。

紹介記事では、Kokoro-FastAPIというコンテナイメージを使う方法が示されている。このイメージは音声モデルを事前に含むため約5GBと大きいが、起動すればWeb UIとOpenAI互換の音声APIを提供する。既存のOpenAI TTS API向けコードを、ローカルAPIに向け直しやすい点が実務上の利点だ。

CPUだけでどれくらい速いのか

ariya.ioは、短い英文段落をam_eric voiceで合成した場合のベストタイムを示している。古いCPUでも数秒で生成でき、新しいモバイルCPUではさらに高速だ。

この結果は、リアルタイム会話のすべてを即座に置き換えるというより、通知の読み上げ、長文回答の音声化、社内ナレッジの音声配信といった用途で十分実用的になりつつあることを示している。

OpenAI互換APIの意味

Kokoro-FastAPIは、OpenAIのspeech APIと互換性のあるインターフェースを提供する。アプリケーション側はAPIベースURLや音声名を切り替えるだけで、クラウドTTSからローカルTTSへ移行できる可能性がある。

これは、AIアプリケーションのアーキテクチャにとって大きい。クラウドの高性能モデルを使う部分と、ローカルで十分な部分を分けられるからだ。たとえばLLM推論はGPUサーバー、TTSは各端末CPU、STTは別のローカルサービスという分担も考えられる。

注意点と導入時の論点

もちろん、導入には注意点もある。Kokoro-FastAPIのコンテナは大きく、音声品質や対応言語は用途によって検証が必要だ。社外向けのブランド音声、感情表現、厳密な日本語読み上げなどでは、商用クラウドTTSの方が適する場面もある。

それでも、オンデバイス音声AIの選択肢が増える意義は大きい。議事録、社内教育、アクセシビリティ、現場端末など、ネットワークや個人情報の制約がある領域では「クラウドに送らない音声生成」が強い価値を持つ。今後は、LLMだけでなく音声・画像・検索の各部品をどこで動かすかを設計する力が、AI活用の差になっていく。

参考：ariya.io / Kokoro-82M / Kokoro-FastAPI