Kyutai TTSの代わりに：多言語・自分の声・GPU不要
Kyutai TTS はフランスの研究所 Kyutai が公開したストリーミング型の音声合成モデルです。テキストの最初の数語が届いた時点で話し始めるため、音声アシスタントに向いています。英語とフランス語を話し、声はあらかじめ計算された埋め込みとして提供されます。
このガイドではモデルカードの内容、Kyutai TTS が向いている場面、小さなモデル Supertonic 3 を使う SuperClonica が向いている場面をまとめます。
Kyutai TTS の概要
名前に 1.6b とありますが、モデルカードによると実際は18億パラメータで、10億のバックボーンと6億の depth transformer から成ります。英語とフランス語を話し、ストリーミングで最初の単語が届くとすぐに音声を出し始めます。重みは CC-BY 4.0 で公開され、Kyutai の Python パッケージ moshi で動き、サンプルコードは CUDA の GPU を使います。
声とクローン
Kyutai は声のクローンを、別のリポジトリ tts-voices で公開されている事前計算済みの埋め込みに限定しています。好きな録音をクローンするのではなく、用意された声から選ぶ形です。モデルカードには透かし（ウォーターマーク）はないとも書かれています。
SuperClonica の違い
SuperClonica はずっと小さなモデル Supertonic 3 を GPU なしの普通の CPU で動かし、どの声も英語・フランス語からロシア語・日本語・韓国語まで31言語を話します。カタログにはナレーターやキャラクターの声があり、標準の10音声は無料、スタジオでは5〜10秒のきれいな録音から自分の声を学習できます。アプリ向けにはホスト型の Speech API もストリーミングで音声を返し、方法はストリーミング API のガイドで紹介しています。
どちらを選ぶか
自前の GPU で英語やフランス語のアシスタントを作り、ストリーミング設計とオープンな重みが欲しいなら Kyutai TTS を。もっと多くの言語、GPU のないノートPCやサーバー、キャラクターの声や自分の声が必要なら SuperClonica を選びましょう。Kyutai には小型の Pocket TTS もあり、Pocket TTS のガイドで比較しています。SuperClonica の声は各ページで30〜100文字を無料で試せ、エンジンは python -m pip install superclonica-cpu で入れられます。