{"kind":"guides","slug":"python-text-to-speech","path":"/guides/python-text-to-speech","title":"Pythonで音声合成：オフライン・無料 | SuperClonica","description":"インターネットなしでPythonからテキストを読み上げる方法。pyttsx3、gTTS、ニューラルモデルを比較し、pip・カスタム音声・Dockerで動くコードを紹介します。","h1":"Pythonで音声合成：オフライン・無料・自然な声で","intro":"Pythonでテキストを音声に変える方法はいくつかあります。OSのロボットのような声で読むライブラリ、テキストをオンラインサービスに送るライブラリ、そして自分のパソコンでニューラルモデルを動かすライブラリです。最後のタイプは今では人の声に近く、しかもインターネットなしで動きます。\n\nこのガイドでは選択肢を比較したうえで、オープンモデルSupertonic 3をベースにしたpipパッケージ、SuperClonicaエンジンの動くコードを紹介します。インストール、最初のスクリプト、カスタム音声、長文、DockerでのローカルHTTP APIまで扱います。エンジンは当社の製品なので、該当する箇所ではそう明記します。","sections":[{"heading":"Pythonで音声合成をする方法","paragraphs":["ライブラリを選ぶ前に、テキストをパソコンの外に出してよいか、声にどれだけ自然さが必要かの2点を決めておきましょう。"],"points":["pyttsx3はシステム内蔵の音声エンジンを操作します。WindowsではSAPI5、macOSではNSSpeechSynthesizer、LinuxではeSpeakです。オフラインで動き数秒でインストールできますが、声はロボット的で、マシンごとに異なります。","gTTSはテキストをGoogle翻訳の音声サービスに送り、MP3を保存します。音はクリアですが、インターネットが必要で、選べるのは声ではなく言語とアクセントだけ。非公式のインターフェースなので動かなくなる可能性もあります。","Google、Amazon、Microsoft、ElevenLabsのクラウドAPIは音質が非常に良いものの、アカウントとキーが必要で、文字数に応じた課金があり、すべてのテキストが提供元に送られます。","Supertonic 3、Kokoro、Piperなどのローカルニューラルモデルは、自分のCPUやGPUで動きます。モデルを一度ダウンロードすればオフラインで動作し、文字単位の費用はかからず、システム音声よりはるかに自然に聞こえます。詳しくは比較ページで解説しています。"]},{"heading":"SuperClonicaエンジンのインストール","paragraphs":["エンジンは2種類のビルドがある1つのpipパッケージです。Windows、macOS、LinuxのあらゆるCPUでPython 3.10以降なら python -m pip install superclonica-cpu。WindowsまたはLinuxのNVIDIA GPUでPython 3.11以降なら python -m pip install superclonica-gpu-cuda。1つの環境にはどちらか一方だけをインストールしてください。どちらも同じsuperclonicaモジュールを提供します。","GPU版はCUDAとcuDNNをpip経由で導入するため、システム側に必要なのはCUDA 12対応のNVIDIAドライバーだけです。GPUが使えない場合はCPUに切り替わります。初回実行時にSupertonic 3モデル（約385 MB）が一度だけ ~/.cache/supertonic3 にダウンロードされます。別の場所に置くには SUPERTONIC_CACHE_DIR を設定します。"]},{"heading":"最初のスクリプト","paragraphs":["エンジンをインポートし、フレーズを合成して保存します。from superclonica import Superclonica、続いて tts = Superclonica()、audio, sample_rate = tts.synthesize(\"こんにちは。この声は自分のパソコンで動いています。\", voice=\"F1\", lang=\"ja\", seed=7)、そして tts.save(\"hello.wav\", audio)。モデルにはM1〜M5とF1〜F5の10種類の声が付属しており、追加ファイルは不要です。","エンジンは一度作成して使い回しましょう。読み込みには数秒かかりますが、その後のフレーズは1秒未満で済みます。当社の計測では、短いフレーズの中央値はRTX 5070 Tiで0.12秒、4スレッドのRyzen 7 5800Xで0.43秒でした。"]},{"heading":"カスタム音声を使う","paragraphs":["Supertonic 3の音声は約0.3 MBのJSONファイルです。音声サンプル付きの無料音声はGitHubのsuperclonica/supertonic-voicesリポジトリにあり、SuperClonicaのカタログにはゲームキャラクターからナレーターまで170以上の音声があり、どれも無料のオンラインデモ付きです。","プリセット名の代わりにファイルを渡します。tts.synthesize(\"おはようございます。\", voice=\"ciri.json\", lang=\"ja\", seed=7)。コマンドラインでは superclonica --text \"おはようございます。\" --voice ciri.json --lang ja --output morning.wav。どの音声もモデルの31言語すべてを話せます。langにはテキストの言語（例：en、de、es、ru）を指定してください。中国語には対応していません。"]},{"heading":"長文、会話、ファイル形式","paragraphs":["いくつかのオプションで、実際のプロジェクトの大半をカバーできます。"],"points":["章のような長文も1回の呼び出しで渡せます。エンジンが最大160文字の自然な区切りに分けるため、単語の繰り返しや欠落を防げます。","normalize=True は音量を−18 LUFSにそろえます。多数のファイルをつなげるときに便利です。","tts.synthesize_batch() は複数の行をそれぞれ別の声で一度に合成します。会話のセリフなどに使え、結果は入力の順番を保ちます。","同じテキスト、音声、シードからは同じ音声が再び得られるので、1行だけ作り直しても他は変わりません。","数字は単語として読み上げられ、チャットでよく使う略語は展開され、絵文字や未知の記号はエラーにならずに取り除かれます。","tts.save() はファイルの拡張子に応じてWAV、FLAC、OGGで書き出します。"]},{"heading":"ローカルHTTP APIとしての音声合成","paragraphs":["音声が必要なプログラムがPythonで書かれていない場合は、エンジンをDockerで動かします。docker run -d -p 8000:8000 -v superclonica-models:/models superclonica/superclonica:cpu、NVIDIA GPUなら --gpus all を付けてcudaタグを使います。モデルは初回起動時にボリュームへダウンロードされます。","テキスト、言語、音声ファイルの中身を含むJSONで POST /synthesize を送ると、WAVが返ってきます。音声は約0.3 MBあるので、リクエストはファイルに組み立て、curl -d @request.json で送信してください。"]},{"heading":"ライセンスと責任ある利用","paragraphs":["Supertonic 3はOpenRAIL-Mで公開されています。これは非商用条項ではなく禁止用途のリストを持つ、ロイヤリティフリーのライセンスです。同意なく他人になりすます、だます、嫌がらせをする目的で音声を使わず、必要な場面では機械生成の音声であることを明示してください。","カタログの一部の音声は著名人から着想を得ています。本人の声ではないので、そうした音声を本人の実際の発言として扱わないでください。"]}],"faq":[{"question":"インターネットなしでPythonで音声合成するには？","answer":"自分のパソコンで動くライブラリを使います。システム音声ならpyttsx3、自然な音声ならローカルのニューラルモデルです。SuperClonicaエンジンならpipでsuperclonica-cpuをインストールし、モデルを一度ダウンロードすれば、あとはすべてオフラインで動きます。"},{"question":"pyttsx3とgTTSはどちらが良いですか？","answer":"pyttsx3はオフラインでシステム音声を使いますが、声はロボット的です。gTTSはクリアですが、テキストをインターネット経由でGoogleに送ります。Supertonic 3のようなローカルニューラルモデルなら、インターネットなしで自然な音声が得られます。"},{"question":"GPUは必要ですか？","answer":"いいえ。superclonica-cpuはWindows、macOS、Linuxの一般的なCPUで動き、短いフレーズなら1秒を大きく下回ります。NVIDIA GPUなら数倍速く、大量の処理に役立ちます。"},{"question":"生成した音声は商用利用できますか？","answer":"Supertonic 3のライセンスOpenRAIL-Mはロイヤリティフリーで、非商用条項はありません。同意のないなりすましなどの禁止用途が定められています。著名人から着想を得た音声を本人の実際の発言として扱ってはいけません。"}],"cta":{"catalog":"Pythonプロジェクト向けの音声を見る","install":"SuperClonicaエンジンをインストール"},"sources":[{"label":"pyttsx3（PyPI）","url":"https://pypi.org/project/pyttsx3/"},{"label":"gTTSドキュメント","url":"https://gtts.readthedocs.io/"},{"label":"SuperClonicaエンジン（PyPI）","url":"https://pypi.org/project/superclonica-cpu/"},{"label":"Supertonic 3モデルカード（Hugging Face）","url":"https://huggingface.co/supertone-oss-archive/supertonic-3"},{"label":"Supertonic 3の無料音声（GitHub）","url":"https://github.com/superclonica/supertonic-voices"},{"label":"SuperClonicaのDockerイメージ（Docker Hub）","url":"https://hub.docker.com/r/superclonica/superclonica"}],"published":"2026-10-22","updated":"2026-10-22","pages":[{"slug":"offline-text-to-speech","path":"/guides/offline-text-to-speech","h1":"自分のPCでテキストをオフライン読み上げする方法"},{"slug":"voice-cloning","path":"/guides/voice-cloning","h1":"ボイスクローン：録音の声に近い音声を手に入れる方法"},{"slug":"best-free-tts-models","path":"/guides/best-free-tts-models","h1":"2026年、ローカルで使える無料の音声合成モデル"},{"slug":"text-to-speech-for-videos","path":"/guides/text-to-speech-for-videos","h1":"動画、オーディオブック、ゲーム、アプリのテキスト読み上げ"},{"slug":"supertonic-3-voices","path":"/guides/supertonic-3-voices","h1":"Supertonic 3 の音声：カスタム音声の入手先と使い方"},{"slug":"python-text-to-speech","path":"/guides/python-text-to-speech","h1":"Pythonで音声合成：オフライン・無料・自然な声で"},{"slug":"text-to-speech-api-docker","path":"/guides/text-to-speech-api-docker","h1":"Dockerで動かすセルフホスト音声合成API"}],"related":[{"slug":"text-to-speech","path":"/text-to-speech","h1":"自分のPCで動く音声合成・テキスト読み上げ"},{"slug":"supertonic","path":"/compare/supertonic","h1":"Supertonic と SuperClonica：同じモデルで、より速く、よりクリーンに"},{"slug":"fish-audio","path":"/compare/fish-audio","h1":"Fish Audio・Fish SpeechとSuperClonicaの比較"},{"slug":"omnivoice","path":"/compare/omnivoice","h1":"OmniVoiceとSuperClonica：言語の多さか、速度か"},{"slug":"qwen3-tts","path":"/compare/qwen3-tts","h1":"ローカル音声合成ならQwen3-TTSかSuperClonicaか"},{"slug":"voxcpm","path":"/compare/voxcpm","h1":"VoxCPM 2とSuperClonica：スタジオ品質か、CPUでの速度か"},{"slug":"f5-tts","path":"/compare/f5-tts","h1":"F5-TTSとSuperClonica：ゼロショットのクローンか、CPUでの高速読み上げか"},{"slug":"elevenlabs","path":"/compare/elevenlabs","h1":"オフラインで使えるElevenLabsの代替"},{"slug":"kokoro","path":"/compare/kokoro","h1":"Kokoro TTSとSuperClonica：ローカル音声合成の小型モデル2つ"},{"slug":"piper","path":"/compare/piper","h1":"Piper TTSとSuperClonica：小型デバイスか、オリジナル音声か"},{"slug":"xtts","path":"/compare/xtts","h1":"Coqui XTTS-v2とSuperClonica：Coqui TTSの代替として"},{"slug":"chatterbox","path":"/compare/chatterbox","h1":"Chatterbox TTSとSuperClonica：即時クローンか、学習済みの音声ファイルか"}]}