Kokoro TTSのAPI：自前、外部サービス、ホスト型の代替
Kokoro-82Mは人気のオープン音声合成モデルです。8,200万パラメーターで、重みはApacheライセンス、バージョン1.0では8言語54の声を備えています。モデルカードには作者による公式のホスト型APIは書かれていないため、「Kokoro API」とは自分のサーバーでモデルを動かすか、外部のホスティングにお金を払うことを意味します。
このガイドでは、これらの選択肢と、別のオープンモデルSupertonic 3をカタログの190の声とともにホスト型で提供するSuperClonicaの音声合成APIを比べます。
選択肢1：Kokoroを自分でホストする
重みはApacheライセンスなので、モデルを自前のHTTPサーバーに組み込んでCPUやGPUで動かせます。すべてを管理でき、払うのはマシン代だけですが、サーバー、スケーリング、更新は自分で面倒を見ることになります。モデルカードは、Kokoroの名前を使う一部のサイトが作者の所有でも関係者でもないと注意しています。
選択肢2：外部のKokoroホスティング
モデルカードによると、Kokoroは多くの商用APIで使われており、2025年4月時点では100万文字あたり1ドル未満が相場で、2社で約0.65ドルと0.80ドルと紹介されています。音声1時間あたりおよそ0.04〜0.05ドルです。最新の料金、上限、規約は各サービスで確認してください。
選択肢3：SuperClonicaの音声合成API
SuperClonicaは同じ規模のオープンモデルSupertonic 3をホスト型APIとして提供しています。当社の測定で最短約300ミリ秒から音声をストリーミングし、作者によるカタログの190の声（キャラクター、ナレーター、アナウンサー）と、自分の録音から学習した声が使えます。料金は時間制で、無料キーは1日1分、スタートは月5ドルで最大216時間、上限まで使えば1時間約0.023ドルです。
どれを選ぶか
Supertonic 3がまだ対応していない中国語やKokoro独自の声が必要で、ホスティングを自分で用意するか選ぶならKokoro。既成のキャラクターやナレーターの声を数多く使いたい、自分で学習した声を使いたい、サーバー管理なしのストリーミング対応ホスト型APIがほしいならSuperClonicaです。どちらも小型でCPUで動くので、まずローカルで試せます。