ガイド

2026年、ローカルで使える無料の音声合成モデル

無料のTTSはすでに実用レベルに達していて、多くのオープンモデルが自分の機材で動きます。ただし「無料」の中身には大きな違いがあります。商用利用を禁じるライセンスもあれば、大容量のGPUが必要なモデルもあり、普通のCPUで快適に動くものは多くありません。

ここでは、当サイトで比較しているオープンモデルを紹介します。SuperClonicaはそのうちの1つ、Supertonic 3向けの音声を販売しているので、その点を踏まえて読んでください。各モデルの公式ドキュメントにある事実だけを使い、ほかのモデルのほうが向いている場面ははっきりそう書きます。

Supertonic 3の音声を聴く SuperClonicaをインストール

無料のTTSモデルの選び方

4つの問いで候補はすぐに絞れます。

  • 言語：そのモデルはあなたの言語を話せるか。たとえば中国語が必要ならSupertonic 3は外れます。
  • ライセンス：無料でダウンロードできても、商用で無料とは限りません。コードと重みの両方の条件を確認しましょう。
  • ハードウェア：普通のCPUか、十分なメモリを持つGPUか。
  • 音声：プリセット音声で足りるか、録音をもとにした特定の声が必要か。

CPUで動く小型の無料音声合成モデル

SupertoneのSupertonic 3は約9900万パラメータで、ONNX Runtimeで動き、開発元によるとGPUは不要です。日本語を含む31言語に対応していますが中国語は未対応で、ライセンスはOpenRAIL-M（ロイヤリティフリーで、禁止用途のリストあり）です。プリセット音声が付属し、無料・有料の音声がSuperClonicaのカタログにさらにあります。SuperClonicaエンジンはそれらをCPUで平均61%速く動かします。

Kokoro-82Mは8200万パラメータ、Apache 2.0ライセンスで、8言語54種類のプリセット音声があり、日本語の音声は5種類です。最も得意なのは英語で、公式の音声リストでは日本語と中国語の音声の評価が低めです。公式版には声のクローン機能がありません。Pythonでも、kokoro-jsを使えばブラウザでも動きます。

PiperはRaspberry Piのような小型機器向けの高速なローカルエンジンで、Home Assistantの音声として知られています。音声は1言語ごとのONNXモデルで、対応は39言語。中国語は含まれますが、日本語と韓国語は含まれません。現在のエンジンはGPL-3.0で、音声ごとに別のライセンスがあります。

Resemble AIのChatterbox Nanoは、MITライセンスの1億1000万パラメータの英語モデルです。Resemble AIによれば8コアのCPUで実時間の3倍の速さで動き、短い音声から声をクローンし、生成したファイルすべてに聞こえないPerTh透かしを入れます。

ボイスクローン向けの大きめのモデル

これらは数秒の音声から声をクローンします。当社の推定では、デスクトップのCPUでは実時間より遅いため、本領を発揮するのはGPU上です。

  • Qwen3-TTS：Apache 2.0、0.6Bと1.7Bの2サイズ、日本語と中国語を含む10言語、3秒の音声からのクローンと説明文からの音声デザイン。CPUでは実時間の約1〜2倍遅い（0.6B）。
  • VoxCPM 2：Apache 2.0、20億パラメータ、30言語と中国語の方言、48kHzの音声、VRAMは約8GB。CPUでは実時間の約2〜4倍遅い。
  • Chatterbox Multilingual V3：MIT、5億パラメータ、日本語を含む23言語、短い音声からのクローン。サンプルはGPUで動かします。
  • Fish Audio S2 Pro：当社の表で品質の評価が最も高く80以上の言語に対応しますが、CPUでは実時間の4〜10倍遅く、商用利用にはFish Audioの別ライセンスが必要です。

無料でも商用には使えないモデル

人気のモデルの中には、コードはオープンでも重みが非商用というものがあります。実験や個人のプロジェクトには使えますが、有料の製品には向きません。

  • OmniVoice：646言語に対応し、3〜10秒の音声からクローン。コードはApache 2.0、学習済みモデルはCC-BY-NCです。
  • F5-TTS：中国語と英語のゼロショットクローン。コードはMIT、重みはCC-BY-NCで、当社の表ではCPUでの速度が最も遅いモデルです。
  • Coqui XTTS-v2：日本語を含む17言語に対応し、短い音声からクローン。Coqui Public Model Licenseは生成した音声にも及び、元のリポジトリはすでにメンテナンスされていません。

どの無料TTSモデルを選ぶか

下のリンクにある比較ページには、それぞれのモデルの出典と当社の速度推定がまとまっています。

  • 普通のPCで、31言語のどれかでナレーション、ゲーム、アプリを作るなら：Supertonic 3。カタログの音声か、自分の録音で学習させた音声を使います。
  • 最も緩いライセンスで英語のプリセット音声を使うなら：Kokoro。
  • Raspberry PiやHome Assistantなら：Piper。
  • GPUで即座にクローンし、商用でも使うなら：Qwen3-TTS、VoxCPM 2、Chatterbox。
  • 中国語の音声なら：GPUでQwen3-TTSかVoxCPM 2。PiperとKokoroにも中国語の音声があります。
  • 研究や個人の実験なら：OmniVoice、F5-TTS、XTTS-v2を含め、どれでも使えます。