ChatTTSとは？
ChatTTSは2noiseが開発した音声合成モデルで、LLMアシスタントの声のような会話の発話向けに作られ、中国語と英語に対応します。[laugh]、[uv_break]、[lbreak]といった制御トークンをテキストに挿入したり、文単位で口語らしさ、笑い、間の度合いを設定したりでき、ランダムな話者埋め込みを引けば新しい声が得られます。出力は24 kHzの音声です。
チームによると、主力モデルは10万（100,000）時間を超える中国語と英語の音声で学習しましたが、公開版は教師ありファインチューニングをしていない40,000時間のベースモデルです。Hugging Face上の重みの最終更新は2024年10月です。悪用を防ぐため、作者は学習時に少量の高周波ノイズを加え、音声をMP3で圧縮しています。つまり公開モデルは、意図的に本来より粗い音になっています。
まず読むべきはライセンスです。コードはAGPLv3以降で、改変版をネットワークサービスとして提供する場合はソースコードの公開が求められます。モデルの重みはCC BY-NC 4.0で、READMEは学術・研究用途に限り、商用利用は不可としています。リポジトリのスターは約40,000で、2026年4月10日公開のv0.2.5が最新リリースであり最終コミットです。
ChatTTSは使う価値があるか？
ChatTTSは会話音声のための研究ツールであり、ライセンスがそれを提案ではなく明確な線引きにしています。CC BY-NC 4.0の重みは商用利用を禁じ、AGPLv3+のコードは改変版をネットワーク経由で提供する者にソースの共有を課します。2noiseは購入できる商用ライセンスも公開していません。有料の音声アシスタントを作るスタートアップは、これを製品に載せられません。
その範囲内では、多くのオープンな音声合成モデルがまだ苦手なことをこなします。朗読ではなく会話のように聞こえるのです。韻律の制御は2つのレベルで働きます。[oral_2][laugh_0][break_6]のような文単位のプロンプトで、声がどれだけ話し言葉らしく、笑い、間を取るかを決め、単語単位のトークンで笑いや間を狙った位置に置けます。話者をランダムに引けば新しい声が得られ、保存した埋め込みで同じ声を後から再現できます。
注意点：公開モデルは、チームが説明するモデルそのものではありません。ファインチューニングなしの40,000時間のベースで、主力モデルは100,000時間超で学習しています。さらに作者は意図的に高周波ノイズとMP3圧縮を加えています。FAQは、話者が入れ替わる、音質が落ちるといった自己回帰モデル特有の不安定さを認め、複数回生成して1つ選ぶよう勧めています。対応言語は英語と中国語だけで、READMEは英語を実験的としています。FAQによると、30秒のクリップに最低4GBのGPUメモリが必要で、RTX 4090での実時間係数は約0.3です。
保守は最低限の手入れにとどまっています。2026年4月のv0.2.5は新しいTransformersでの不具合を直し、DirectMLを一部サポートしました。重みは2024年10月から変わっておらず、ロードマップにある複数感情の制御はまだ出ていません。未解決のissueは約60件です。
結論：ChatTTSは、コンセプトカーがデザインの行き先を示すように、会話の韻律がどう聞こえるべきかを示す良い手本です。売るつもりのものには、寛容なライセンスのモデルが必要です。
真価を発揮する場面
大学の研究室に所属する音声研究者
韻律トークンが会話の自然さの印象 をどう変えるかを比較する
[laugh]と[uv_break]のトークンありとなしで同じ台本を生成し、話者埋め込みを固定して韻律だけを変え、聴取実験を行います。学術用途ならCC BY-NC 4.0の下で無料で、4GBのGPUが1台あれば足ります。
ローカルで中国語を話すコンパニオンボットを作る愛好家
LLMの返答に、くだけた会話のような声を付ける
保存した話者埋め込みと、一貫性のための低いtemperatureを指定して、LLMのテキストをchat.inferに渡します。個人の非商用利用に限られ、不安定なクリップはときどき作り直す必要があります。
導入前に確認すること
- 導入
- pip install ChatTTS（またはリポジトリをクローンしてrequirements.txtをインストール。condaの例ではPython 3.11）。chat.load()がHugging Faceから重みをダウンロードします。examples/web/webui.pyでローカルのWeb UIが起動し、examples/cmd/run.pyはMP3ファイルを書き出します。
- 連携
- バッチ推論対応のPython API、Linuxでの任意のvLLM、ストリーミング生成、Hugging Face上の重み。コミュニティ製のフロントエンドはメインのリポジトリではなくAwesome-ChatTTSの一覧にあります。
- データとプライバシー
- 完全にローカルで動作し、テキストはどこにも送られません。コードはAGPLv3+、重みはCC BY-NC 4.0で、READMEによれば学術・研究用途向けです。作者は生成音声の検出モデルを学習したと述べていますが、公開はしていません。
- 大規模利用時のコスト
- 有料版も商用ライセンスもないため、合法的な本番運用のコストは示せません。FAQによると、研究用途には最低4GBのGPUが必要です。
- 制限
- 英語と中国語のみで、英語は実験的です。単語単位のトークンは[laugh]、[uv_break]、[lbreak]だけです。自己回帰の不安定さで再生成が必要になります。RTX 4090での実時間係数は約0.3です。READMEはTransformerEngineとFlashAttention-2をインストールしないよう警告しています。
良い点
- 文単位と単語単位で笑い、間、口語らしさを制御できる
- 会話向けに調整された韻律で、作者は多くのオープンTTSより上と位置づける
- ランダムな話者生成と再利用できる声の埋め込み
- pip install ChatTTSで導入でき、Web UIとコマンドラインの例もある
気になる点
- 重みはCC BY-NC 4.0で商用利用不可、有料ライセンスもない
- AGPLv3+のコードは、改変したネットワークサービスのソース公開を求める
- 公開モデルは意図的なノイズとMP3圧縮を加えた40,000時間のベース
- 英語は実験的で、重みは2024年10月から更新なし
おすすめの人
中国語や英語の会話音声を研究し、結果を商用製品に使うことがない研究者や愛好家。
ChatTTSの代替
ChatTTS：よくある質問
- ChatTTSは使う価値があるか？
- ChatTTSは今も研究用の音声エージェントに中国語と英語で説得力のある笑いと間を与えますが、非商用の重み、意図的な音質劣化、2024年から変わらないモデルのため、製品には使えません。 評価は5点満点中3.4点です。
- ChatTTSの料金は？
- 無料です。コードはAGPLv3+、モデルの重みはCC BY-NC 4.0のため商用利用はできません。有料ライセンスや商用ライセンスは公開されていません。
- ChatTTSの欠点は？
- 重みはCC BY-NC 4.0で商用利用不可、有料ライセンスもない; AGPLv3+のコードは、改変したネットワークサービスのソース公開を求める; 公開モデルは意図的なノイズとMP3圧縮を加えた40,000時間のベース; 英語は実験的で、重みは2024年10月から更新なし.
- ChatTTSは誰に向いているか？
- 中国語や英語の会話音声を研究し、結果を商用製品に使うことがない研究者や愛好家。
- チームや本番環境でChatTTSを使うと費用 はいくらか？
- 有料版も商用ライセンスもないため、合法的な本番運用のコストは示せません。FAQによると、研究用途には最低4GBのGPUが必要です。
- ChatTTSは企業データを扱っても安全か？
- 完全にローカルで動作し、テキストはどこにも送られません。コードはAGPLv3+、重みはCC BY-NC 4.0で、READMEによれば学術・研究用途向けです。作者は生成音声の検出モデルを学習したと述べていますが、公開はしていません。
- ChatTTS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VibeVoice 、 audio.cppです。
回答確認日：2026年11月14日