audio.cppとは？
audio.cpp は、ShugoAI LLC が ggml（llama.cpp の背後にあるテンソルライブラリ）の上に作った音声モデル用のネイティブ C++ 推論エンジンで、Apache 2.0 で公開されています。一つの CLI、一つの HTTP サーバー、組み込みの Web UI で、テキスト読み上げ、声のクローンと変換、音声認識、音声区間検出、話者分離、音源分離、アラインメント、音楽生成をカバーし、推論時に Python は不要です。2026年10月19日にリリースされたバージョン 0.9.2 は、Qwen3-TTS や VibeVoice から Whisper クラスの ASR、Demucs、ACE-Step まで、110 を超えるモデルファミリーと 190 のバリアントを挙げています。
リポジトリは 2026年6月に作られ、それ以来 23 回リリースしています。CUDA、HIP/ROCm、Vulkan、Metal、CPU で動き、Windows、Ubuntu、macOS 向けのビルド済みバイナリ、Docker イメージ、Homebrew の tap があります。Unsloth Studio は現在、音声、音楽、文字起こしにこれを使っています。各モデルは元のライセンスを維持しており、対応する重みの多くは非商用です。
audio.cppは使う価値があるか？
audio.cpp は、引き出しいっぱいの Python 環境を一つのネイティブバイナリに置き換えます。2、3 個を超える音声モデルを動かす人にとっては、それだけで使う理由になります。音声モデルは普通、それぞれ専用の Conda 環境とバージョンを固定した PyTorch を伴ってやってきます。ここでは 110 以上のファミリーが同じ CLI、同じ GGUF のパッケージング、同じサーバーで読み込まれ、サーバーは /v1/audio/speech、/v1/audio/transcriptions、アラインメント、バッチタスクのエンドポイントを公開します。JSON のパイプライン層がそれらをつなぐので、吹き替え直しの作業なら Qwen3-ASR で文字起こしして Qwen3-TTS で再合成するまでをコマンド一つで行えます。
速度の主張はメンテナーによるもので、RTX 5090 上で各モデルの Python のリファレンス実装と比べて測定されています。選ばれた CUDA の TTS の経路は 1.8〜8 倍速く、Q8 の GGUF パッケージは 16 ビットの重みと比べて最大 1.53 倍速く、ピーク VRAM が 37% 少ないと報告されています。プロジェクトは量子化がただではないことを率直に認めています。Qwen3-TTS では q8_0 による速度向上は約 3.8% にとどまり、Vevo2 では fp32 以外の出力がリファレンスから測定可能なほどずれました。独立した会議文字起こしのベンチマーク TranscrIA では、その Nemotron ASR の移植版が、他の実装と同等の単語誤り率を約 4 分の 1 の実時間で達成しました。
ライセンスの問題は一段下にあります。エンジンは Apache 2.0 ですが、docs/model_licenses.md は、Breeze TTS 2、Higgs Audio TTS、F5-TTS、CrisperWhisper など、対応する重みの多くを非商用、一部を不明としています。Web UI のカタログからモデルを選ぶチームは、商用利用できないかもしれない重みで製品を出荷してしまう可能性があるので、ライセンスの表は必読です。
最適化されているのは CUDA の経路です。Vulkan、Metal、HIP、CPU は移植性のためのバックエンドで対応範囲が狭いとされ、AMD の Windows ビルドはコミュニティのフォークから提供されています。サーバーは max_loaded_models を設定しない限り読み込んだすべてのモデルをメモリーに保持し、一部のモデルの準備では今も Python のモデルマネージャーを呼び出します。GGUF ファイルは llama.cpp や whisper.cpp のものと互換性がありません。スター 3,775 に対して未解決の issue とプルリクエストが 15 件というこれほど若いプロジェクトとしては、更新のペースは速く、仕様もまだ動いています。
真価を発揮する場面
従業員 50 人の通話分析企業のプラットフォームエンジニア
録音した通話を社内の GPU マシン 1 台で文字起こしし、話者を分離する
Nemotron か Qwen3 の ASR と話者分離のモデルで audiocpp_server を動かし、/v1/audio/transcriptions/details を呼び出し、max_loaded_models で常駐するモデル数に上限を設けます。コストはハードウェアだけです。本番の前に各モデルのライセンスの行を確認してください。
Windows と macOS でオフラインのナレーション機能を提供するデスクトップアプリの開発者
ユーザーに Python をインストールさせずに、ローカルの TTS を同梱する
C API をリンクするか、Pocket TTS のような小さなモデルとともにビルド済みバイナリを同梱します。メンテナーの測定では、Pocket TTS は CUDA で実時間の約 31 倍の速さです。yovoice と OpenDub のアプリはすでにこの方法を取っています。
研修コースを吹き替える動画ローカライズのスタジオ
長い録音を目的の声で吹き替え直す
同梱の speech_redub パイプラインを実行します。長い音声を分割し、Qwen3-ASR で文字起こしし、Qwen3-TTS で参照音声の声で再生成します。テスト用の入力は 7 分のスピーチです。Apache ライセンスの Qwen モデルなら、出力を商用で使えます。
導入前に確認すること
- 導入
- リリースのバイナリをダウンロードするか、CUDA または CPU のイメージを docker run するか、macOS では brew install します。その後 audiocpp_server --ui --ui-management を実行すると、モデルをダウンロードする Web UI がポート 8080 で開きます。ソースからのビルドには GCC 13 か MSVC 2022 とバックエンドの SDK が必要です。
- 連携
- 音声合成、文字起こし、アラインメント、バッチタスク用の HTTP エンドポイント。コミュニティによる .NET と Python のバインディングを伴う C ABI。JSON のパイプライン。Unsloth Studio、Project AIRI、pyVideoTrans が組み込んでいます。
- データとプライバシー
- 完全にローカルで動き、README にはテレメトリーの記載はありません。--ui-management はダウンロード、アップロード、モデルの切り替えを有効にするので、共有ネットワークではこのモードをオフにしておきます。エンジンは Apache 2.0 で、各モデルの重みはそれぞれのライセンスを維持します。
- 大規模利用時のコスト
- 有料プランはなく、コストは GPU の時間です。メモリーはモデルによって異なり、max_loaded_models を設定しない限り、読み込んだモデルはサーバーが終了するまで常駐します。
- 制限
- 最適化されているのは CUDA のバックエンドで、それ以外は性能も対応範囲も劣ります。量子化によって一部の経路が壊れたり（ACE-Step は低精度で失敗します）品質が落ちたりすることがあり、llama.cpp や whisper.cpp の GGUF ファイルとは互換性がありません。
良い点
- 一つの CLI、サーバー、Web UI で 110 以上の音声モデルファミリーを扱えます
- 推論時に Python は不要で、CUDA、Vulkan、Metal、HIP、CPU のバックエンドがあります
- ビルド済みバイナリ、Docker イメージ、Homebrew、C API
- 公開されたモデルごとのライセンス表が非商用の重みを示しています
気になる点
- 速度の数字はメンテナーが RTX 5090 で測定したものです
- 完全に最適化されたバックエンドは CUDA だけです
- 対応する重みの多くが非商用です
- 2026年6月に作られたばかりで、形式やオプションがリリースごとに変わっています
おすすめの人
複数の音声・オーディオモデルをセルフホストし、モデルごとの Python 環境ではなく一つのネイティブランタイムと HTTP API を使いたいエンジニア。
audio.cppの代替
audio.cpp：よくある質問
- audio.cppは使う価値があるか？
- audio.cpp は、llama.cpp がチャットモデルに対して果たした役割をローカルの音声に対して果たしつつあり、4 か月の時点ですでに 110 を超えるモデルファミリーを動かしています。 評価は5点満点中4.3点です。
- audio.cppの料金は？
- Apache 2.0 で無料です。有料版はありません。モデルの重みはそれぞれのライセンスを維持し、その多くは非商用です。
- audio.cppの欠点は？
- 速度の数字はメンテナーが RTX 5090 で測定したものです; 完全に最適化されたバックエンドは CUDA だけです; 対応する重みの多くが非商用です; 2026年6月に作られたばかりで、形式やオプションがリリースごとに変わっています.
- audio.cppは誰に向いているか？
- 複数の音声・オーディオモデルをセルフホストし、モデルごとの Python 環境ではなく一つのネイティブランタイムと HTTP API を使いたいエンジニア。
- チームや本番環境でaudio.cppを使うと費用はいくらか？
- 有料プランはなく、コストは GPU の時間です。メモリーはモデルによって異なり、max_loaded_models を設定しない限り、読み込んだモデルはサーバーが終了するまで常駐します。
- audio.cppは企業データを扱っても安全か？
- 完全にローカルで動き、README にはテレメトリーの記載はありません。--ui-management はダウンロード、アップロード、モデルの切り替えを有効にするので、共有ネットワークではこのモードをオフにしておきます。エンジンは Apache 2.0 で、各モデルの重みはそれぞれのライセンスを維持します。
- audio.cppの代わりになるものは？
- 当サイトでレビューした中で最も近い代替はllama.cpp, Ollama 、 llamafileです。
回答確認日：2026年10月26日