Kitten TTSのレビューとインストールガイド：23MBの音声合成モデル

多くの音声合成モデルは、GPUと何ギガバイトものディスクを前提にしています。Kitten TTSは逆を行きます。パラメーターは1,500万、ディスク上のサイズは約23MBで、おそらく実際に使える音声合成モデルとしては最小でした。

表現力のある声を複数備え、CPUでリアルタイムに音声を合成し、制約の緩いApache 2.0ライセンスのオープンソースです。モデルのサイズと速度が何より重要な、組み込みハードウェア、Raspberry Piのプロジェクト、ブラウザアプリを作る開発者に向いています。

強み

• 小さな容量：23MBなので、ノートパソコンからRaspberry Pi、エッジデバイスまで、ほぼ何でも動きます。
• GPU不要：推論はCPUで動くため、消費電力も費用も低く抑えられます。
• 8つの内蔵の声：男性4つ、女性4つで、それぞれある程度の表現の幅があります。
• 速度：普通のCPUでも、生成はリアルタイムかそれに近いことが多いです。
• 完全オフライン：APIを呼ばずにすべてローカルで動くため、個人データを扱うアプリに役立ちます。

弱み

• 音質：特に長い文や表現の豊かな文で、ざらつき、途切れ、アーティファクトが目立ちます。
• 現時点では英語のみで、開発者は多言語対応を「近日公開」としています。
• 声には表現力があるものの、感情や韻律を明示的に制御することはできません。
• プレビュー版です。動きますが、本番で使える段階ではありません。

Linux（CPU）へのKitten TTSのインストール

前提条件

• Python 3.8以降
• UbuntuまたはほかのDebian系Linux
• 任意：仮想環境
• GPUは不要

1. 仮想環境を作る（推奨）

python3 -m venv kittenenv
source kittenenv/bin/activate

2. パッケージをインストールする

KittenMLはモデルをGitHubでwheelとして公開しています。

pip install https://github.com/KittenML/KittenTTS/releases/download/0.1/kittentts-0.1.0-py3-none-any.whl

基本的な使用例は、モデルのHugging Faceのページにあります。

このガイドは当初、Kitten TTSはMozillaのTTSライブラリやそのフォークからも読み込めると想定し、次の手順を記載していました。

git clone https://github.com/mozilla/TTS.git
cd TTS
pip install -r requirements.txt
python setup.py install

この方法に頼る前に、別のモデルローダーやGradioのインターフェースがないかMozilla TTSのリポジトリを確認してください。

例：ローカルのGradioアプリ

上記のMozilla TTSの方法を使い、モデルを包む簡単なGradioのインターフェースを作ります。

# app.py
import gradio as gr
from TTS.api import TTS

tts = TTS("tts_models/en/kitten-tts/nano", progress_bar=False, gpu=False)

def speak(text, voice):
    return tts.tts(text, speaker=voice)

demo = gr.Interface(
    fn=speak,
    inputs=[gr.Text(label="Text"), gr.Radio(["1F", "2F", "3M", "4M"], label="Voice")],
    outputs="audio"
)

demo.launch()

次に実行します。

python app.py

http://localhost:7860を開いて試してください。

性能

元のレビューによると、デュアルコアのCPUや仮想マシンのような控えめなハードウェアでも推論は速く、標準的な文1つで2秒未満です。メモリ使用量は1GB未満にとどまり、CPUの負荷も軽いです。

注意点：長い文は途中で切れることがあり、声やシステムの負荷によって音声がざらついたりロボットのように聞こえたりします。ブラウザでの再生が遅れることもありますが、これはおそらくモデルではなくブラウザの問題です。

向いている用途

Kitten TTSは、ElevenLabs、XTTS、Barkのような高音質のモデルの代わりになるものではありません。そのサイズと制約の緩いライセンスは、別の仕事に向いています。

用途	Kitten TTSが合う理由
組み込み機器	全体で50MB未満に収まり、GPUが不要
プライバシー重視のアプリ	完全オフラインで、サードパーティのAPIなし
素早いプロトタイピング	音声付きの画面の流れを手早く試せる
教育	授業のデモやコンピューターサイエンスの実習に向く
AIコンパニオン	小さなLLMと組み合わせてローカルのエージェントを作れる
静的なウェブサイト	クラウドなしでローカルの音声ナレーション

評価

項目	点数
音質	2/5
推論速度	5/5
リソース使用量	5/5
声の種類	4/5
開発者体験	4/5
オープンソースとしての価値	5/5

総合点：5点満点中4.2点。

結論：品質は最高のモデルには及びませんが、洗練よりも小さくオフラインで動く声が重要な場面なら、Kitten TTSは今すでに十分です。そして、実用的な音声にもう大きなダウンロードや高性能なGPUは必要ないことを示しています。

高音質の代替については、ElevenLabsのレビューをご覧ください。