ローカルTTS比較：言語・機材・速度根拠の読み方

ナレーション、多言語案内、特定話者に似た声のどれが必要かを決め、言語と実際の文章を選びます。Kokoroは8言語、Qwen3-TTSは10言語、Chatterbox Multilingual V3は23以上を掲げますが、数は発音品質の順位ではありません。人名、数字、句読点を含む短文を同じ条件で聴いてください。

言語が一覧にあっても、訛りや専門用語が必要な品質で出るとは限りません。幅広い言語対応と、特定地域・業務の文章を正確に読むことは別です。「対応表記」と「自分の試験に合格」を別々に記録します。

Kokoroは82Mの一般読み上げ候補で、公式READMEにCPU⁴・CUDA例とApple Silicon M1〜M4のMPS fallbackがあります。Qwen3-TTSはCustomVoice・VoiceDesign・Baseに分かれ、公式クイックスタートはPython 3.12とCUDAを説明します。確認した公式手順にはQwenのMPS・CPU経路はありません。

Chatterbox Multilingual V3は500Mの多言語モデルで、リポジトリのPython例はCPU・CUDA・MPSを選びます。これは実行経路の記載であり、性能が同等という意味ではありません。MacではMPS経路が候補を絞る助けになりますが、速度とメモリは別途測定が必要です。

Qwen READMEは最初の音声が最短97msで届くと説明しますが、機材、入力長、精度、batch、完了範囲は併記されていません。これはストリーミングTTFAの主張です。別の作者ベンチマークにはQwen派生CUDA経路のRTX 4090・5090値があり、下表の実行版と条件を合わせて読む必要があります。

下の数値は当サイトの測定でも、Qwen公式チームの結果でもありません。faster-qwen3-tts作者はRTX 4090で0.6B・1.7BのCUDA Graph RTF⁵ 4.78・4.22、TTFA 156・174msを報告しますが、表に文章長と反復条件はありません。

TritonリポジトリのRTX 5090値はBF16⁶、batch 1、韓国語・英語の二文、ウォームアップ3回・測定20回を明記しています。両者のRTFは「実音声長÷生成時間」で、この文章で定義した一般的なRTFの逆数です。

数値が大きいほどリアルタイムより速いことを示します。どちらも特定の最適化構成の結果です。

Tritonの表は初回ロードも別に示し、Hybridは6.0秒、PyTorch⁷ Baseは17.5秒です。試験文の実際の音声長は記載されていないため、このRTFやリクエスト時間を別の長さの文章へそのまま当てはめないでください。

デモに共通のサンプル音声があっても、選択したモデルが生成した比較音声とは限りません。出力品質を比べる場合は、各モデルで同じ文章・話者条件の音声を作り、出典と設定を確認してください。

完成した音声がA秒、測定時間がT秒ならRTFはT÷Aです。経過時間と音声長が同じならRTFは1です。逆数のA÷Tはリアルタイム倍率で、この例では同じく1です。両者を同じ名前で呼ぶと、速い・遅いの解釈が逆になることがあります。

対話用途ではTTFA、長文納品では最後のチャンクまでの時間が重要です。コールドロード、前処理、合成、ボコーダー／デコーダー、結合、保存のどこまで含むかも記録します。バッチでは一件の待ち時間と全体処理量を分けます。

各モデルが対応する範囲で言語、文章、目標長、話者タイプを揃えます。モデルID・revision、OS、CPU/GPU、Python・ライブラリ版、backend、精度、batch size⁸、sample rate⁹を記録します。新しいプロセスで一度実行し、ロードと生成を分け、ウォームアップ後も同じ作業を複数回行います。

保存したWAVの実長を測り、合成区間のRTFを計算します。コールドとウォームを分け、平均や最速だけでなく各回の値を残します。音切れ、読み違い、不自然な間は速度とは別に記録します。品質確認を速度順位で代用できません。

自分のOSに対応する公式経路がなければ、速度を推測するのではなく機材やモデルの候補を変えます。MPS対応はCUDAと同等の速度を意味しません。遅い場合はCPU fallback、未対応演算、音声保存、メモリ圧迫なども考え、ログと使用状況を確認します。

公式資料だけでは、三モデルの普遍的な速度・メモリ順位は決められません。必要な言語と機能、公式の加速経路を確認した後なら、自分で測ったRTFと品質メモを購入判断に使えます。不明欄は推測せず空欄にする方が安全です。

Kokoroの公式モデルカードはApache-2.0、ChatterboxリポジトリはMITを記載しています。QwenリポジトリのApache-2.0表示はコードに関するものなので、使用するチェックポイント¹⁰のカードを別途確認します。配布や商用利用ではコード、重み、入力音声、生成音声それぞれの条件を確認してください。

参照音声は自分の声、または許諾を得た話者の素材だけを使ってください。デモを試すときは付属話者から始め、参照音声のアップロードが必要なら保存・処理方法を確認します。生成音声を公開する前に実在人物の発言と誤解されないかを考え、出典と文脈を明確にしてください。