# 自分のPCで動く音声合成・テキスト読み上げ

更新日 2026-10-23

SuperClonicaは、一般的なCPUで動くオープンな音声合成モデルSupertonic 3向けの音声カタログと、同じ音声をより速く動かすSuperClonicaエンジンです。音声はJSONファイル1つ。一度ダウンロードすれば、テキスト読み上げは手元のPCで完結します。テキストがサーバーに送られることはなく、インターネットが切れても音声合成は止まりません。

このページでは、ローカルTTSの仕組み、速度、無料で使える範囲、特定の録音に近い音声を手に入れる方法、そしてクラウドサービスや大型モデルのほうが向いているケースをまとめます。

## Supertonic 3によるローカル音声合成の仕組み

Supertonic 3はSupertoneが公開しているオープンウェイトのモデルで、パラメータ数は約9900万です。ONNX Runtimeで動作し、開発元によるとGPUは不要です。日本語、英語、韓国語、スペイン語、フランス語、ドイツ語、ロシア語など31言語に対応しています。中国語にはまだ対応していません。

音声ファイルに入っているのは声のプロファイルだけです。音声を生成するには、エンジン（Supertonic 3の標準クライアントまたはSuperClonica）と約400MBのベースモデルも必要です。インストール時にはネット接続が要りますが、その後の音声合成はローカルで行われます。

- PC：Windows、macOS、LinuxのCPUで動作。
- ブラウザ：ONNX Runtime WebでWebアプリに組み込み。
- モバイル：対応するアプリに組み込み。
- 自社製品：ゲーム、ボット、自社サーバー上のサービス。

## CPUでのテキスト読み上げの速度

Supertoneは、16スレッドのCPUでSupertonic 3のリアルタイム係数（RTF）を0.20と公表しています。1秒の音声を0.2秒で生成できるという意味です。Ryzen 7 7800X3Dクラスの8コアのデスクトップCPUでは、Supertonic 3がリアルタイムの4〜6倍速、SuperClonicaが6.4〜9.7倍速と当社は見積もっています。10秒の文なら約1.0〜1.6秒で生成できます。

エンジンの高速化は実測値です。同じ設定で比べると、Supertonic 3に対してCPU（Ryzen 7 5800X）で平均61%、GPU（RTX 5070 Ti）で平均73%速くなりました。単語間の無音にノイズが乗らず、文末もきれいに収まります。長いテキストは短く区切って読み上げるため、繰り返しや途切れも減ります。Supertonic 3の音声ファイルは変換なしでそのまま使えます。

## 既製の音声、無料の音声、録音からのボイスクローン

カタログには、ゲームキャラクター、ナレーター、会話向けなど、個人の作者が作った音声が並び、どれもデモを試聴できます。価格は作者が米ドルで設定し、無料の音声もあります。購入した音声は自分のプロジェクトで使うためのもので、転売はできません。

特定の録音に近い声が欲しい場合は、方法が2つあります。どちらもクラウドの即時クローンより時間はかかりますが、出来上がるのはどこでも高速に動くファイルです。録音は、権利を持っていて本人の同意があるものだけを使ってください。

- 依頼する：参考音声をアップロードし、声のイメージと予算を伝えます。作者から提案が届き、結果を承認するまで予算は残高で確保されます。
- 自分で無料で学習する：5〜10秒のクリアな録音と正確な書き起こしを用意し、NVIDIA GPUを積んだ自分のPCをワーカーとして接続。チェックポイントを聴き比べ、JSONは無料でダウンロードできます。
- 学習した音声を販売する：カバー画像、説明、価格を設定するだけです。売上は手数料を差し引いて米ドル残高に入ります。

## ローカルTTSか、クラウドの音声合成か

ElevenLabsのようなクラウドサービスは、自社サーバーで音声を生成します。Webアプリ、API、手軽なボイスクローン、多くの言語がそろい、インストールも不要です。その代わり、テキストは毎回ネットワークを通り、利用量はプランで管理され、オフラインでは使えません。

ローカルの音声ファイルなら逆です。テキストは端末から出ず、通信の往復もなく、文字数を数えられることもありません。その代わり、セットアップの手間がかかり、モデルも控えめです。対応は31言語で中国語はなく、感情表現の制御も少なめです。

当社の比較表では、Fish Audio S2 Pro、OmniVoice、VoxCPM 2が同等以上の品質評価を得ており、対応言語も多くなっています。ただし当社の見積もりでは、デスクトップCPUではリアルタイムより2〜10倍遅くなります。

## ローカルのテキスト読み上げが向いている人

主な利用者は次のような方々です。

- プレイヤーのPC上でNPCのセリフを生成したいゲーム開発者。
- ノートPCで長い原稿を読み上げさせる動画クリエイターやオーディオブックのナレーター。
- ブラウザやGPUのないサーバーで音声を出したい開発者。
- 社内ネットワークの外に文書を出せないチーム。
- 音声を学習して販売したり、依頼を受けたりする作者。

## アカウントと支払い

ログインはGitHubで行い、身分証や電話番号は不要です。支払いは暗号資産で、残高は米ドルで管理されます。クレジットカード情報を受け取ることはありません。

## SuperClonicaと他のTTSモデルの比較

当社の比較表では、品質、CPUでの速度、声色の安定性、対応言語を評価しています。星の数と速度はデスクトップCPUを想定したおおまかな見積もりで、実測値ではありません。

- Fish Audio S2 Pro：品質評価は最高、80以上の言語。CPUではリアルタイムより4〜10倍遅い。
- Qwen3-TTS：中国語と3秒でのボイスクローンに対応。10秒の音声に10〜20秒（0.6B）。
- OmniVoice：600以上の言語。リアルタイムより2〜5倍遅い。
- VoxCPM 2：30言語、48kHz出力。リアルタイムより2〜4倍遅い。
- F5-TTS：中国語と英語でゼロショットのボイスクローン。リアルタイムより5〜15倍遅い。

## 他のモデルとの比較

- [Supertonic と SuperClonica：同じモデルで、より速く、よりクリーンに](https://superclonica.com/ja/compare/supertonic)
- [Fish Audio・Fish SpeechとSuperClonicaの比較](https://superclonica.com/ja/compare/fish-audio)
- [OmniVoiceとSuperClonica：言語の多さか、速度か](https://superclonica.com/ja/compare/omnivoice)
- [ローカル音声合成ならQwen3-TTSかSuperClonicaか](https://superclonica.com/ja/compare/qwen3-tts)
- [VoxCPM 2とSuperClonica：スタジオ品質か、CPUでの速度か](https://superclonica.com/ja/compare/voxcpm)
- [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](https://superclonica.com/ja/compare/f5-tts)
- [オフラインで使えるElevenLabsの代替](https://superclonica.com/ja/compare/elevenlabs)
- [Kokoro TTSとSuperClonica：ローカル音声合成の小型モデル2つ](https://superclonica.com/ja/compare/kokoro)
- [Piper TTSとSuperClonica：小型デバイスか、オリジナル音声か](https://superclonica.com/ja/compare/piper)
- [Coqui XTTS-v2とSuperClonica：Coqui TTSの代替として](https://superclonica.com/ja/compare/xtts)
- [Chatterbox TTSとSuperClonica：即時クローンか、学習済みの音声ファイルか](https://superclonica.com/ja/compare/chatterbox)

## 音声合成ガイド

- [自分のPCでテキストをオフライン読み上げする方法](https://superclonica.com/ja/guides/offline-text-to-speech)
- [ボイスクローン：録音の声に近い音声を手に入れる方法](https://superclonica.com/ja/guides/voice-cloning)
- [2026年、ローカルで使える無料の音声合成モデル](https://superclonica.com/ja/guides/best-free-tts-models)
- [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](https://superclonica.com/ja/guides/text-to-speech-for-videos)
- [Supertonic 3 の音声：カスタム音声の入手先と使い方](https://superclonica.com/ja/guides/supertonic-3-voices)
- [Pythonで音声合成：オフライン・無料・自然な声で](https://superclonica.com/ja/guides/python-text-to-speech)
- [Dockerで動かすセルフホスト音声合成API](https://superclonica.com/ja/guides/text-to-speech-api-docker)

## よくある質問

### オフラインで使える無料の音声合成はありますか？

あります。Supertonic 3はプリセット音声付きのオープンなモデルで、インストール後はオフラインで動きます。カタログには無料の音声もあり、NVIDIA GPUがあれば自分の声の学習も無料です。

### 音声合成にGPUは必要ですか？

読み上げには不要です。Supertonic 3とSuperClonicaはCPUで動き、GPUがあればさらに速くなります。新しい音声の学習には、NVIDIA GPUが必要です。

### 自分の声をクローンできますか？

ご自身の声、または本人の同意がある声なら可能です。5〜10秒の録音から音声を学習するか、作者に依頼してください。録音の声質や話し方に近い音声ファイルが手に入ります。

### 日本語の読み上げに対応していますか？

はい。Supertonic 3は日本語を含む31言語に対応しています。中国語はまだ非対応なので、中国語が必要ならQwen3-TTSやVoxCPM 2のほうが向いています。

### SuperClonicaエンジンはもうインストールできますか？

はい。パッケージはPyPIで公開済みです：CPU用のsuperclonica-cpuと、NVIDIA GPU用のsuperclonica-gpu-cudaです。インストールコマンドと例はエンジンのページにあり、カタログの音声はSupertonic 3の標準クライアントでも使えます。

- [音声カタログを見る](https://superclonica.com/ja/explore)
- [SuperClonicaのインストール方法](https://superclonica.com/ja/superclonica)

## 出典

- [Supertonic 3 モデルカード（Hugging Face）](https://huggingface.co/supertone-oss-archive/supertonic-3)
- [Supertonic 3 ベンチマーク](https://supertonic3.github.io/#benchmark)
- [Supertonic クイックスタート（GitHub）](https://github.com/supertone-oss-archive/supertonic#quick-start)
- [ElevenLabs ドキュメント](https://elevenlabs.io/docs/overview)
- [SuperClonica](https://superclonica.com/ja/)
- [テキスト読み上げ用AI音声カタログ](https://superclonica.com/ja/explore)
- [Supertonic 3 カスタム音声の依頼](https://superclonica.com/ja/requests)
- [仕組み：音声、ローカル合成、学習](https://superclonica.com/ja/guide)
- [高速な Supertonic 3 エンジンのインストール](https://superclonica.com/ja/superclonica)
- [私たちについて：音声合成が好きなチーム](https://superclonica.com/ja/about)
- [お問い合わせ・サポート・音声の通報](https://superclonica.com/ja/contacts)
- [プライバシーポリシー](https://superclonica.com/ja/privacy)
- [利用規約](https://superclonica.com/ja/terms)
- [音声合成](https://superclonica.com/ja/text-to-speech)