Audio8 TTSとは？
Audio8 TTSはEdge0による小型のテキスト読み上げモデル群で、短い参照録音とその書き起こしから声をクローンします。現行版のAudio8-TTS-Realistic-Airは6億100万パラメータに音声コーデックが加わり、23言語に対応します。ベースとなったPreview 0.6Bより12言語多い数です。2026年10月14日にHugging Faceに公開され、人間らしい韻律に報酬を与える「リアリズム評価器」を使った学習を説明する論文も出ています。
アーキテクチャはFish Audio S2 ProのDualAR設計に従います。24層の低速モデルがフレームごとに1つのセマンティックトークンを予測し、4層の高速モデルが10個のコーデックのコードブックを予測し、44.1 kHzで出力します。重みはApache 2.0のBF16 safetensorsで、コードも同じライセンスです。
より小さいPreview 0.1B(約1億7000万パラメータに1億2000万パラメータのコーデック)は中国語と英語を対象とし、ONNX INT8のエクスポートとして約0.4 GiBでCPU上で動きます。こちらは別のコミュニティライセンスで、年間売上がUS$2 million以上の企業には有料ライセンスが必要です。
Audio8 TTSは使う価値があるか？
Audio8 TTSが注目に値するのは、絶対的な品質よりも規模の小ささです。自己申告のSeed-TTSの英語と中国語のテストで、Realistic Airの平均エラー率は1.25%で、4BのHiggs Audio v3は1.11%、4.6BのFish S2 Proは1.32%、CosyVoice3は1.67%です。601Mパラメータのモデルは、私たちの計算ではBF16で約1.2 GBの重みになり、控えめなGPUに収まる大きさです。
多言語の数字はそれほど良くありません。24言語のMiniMaxセットでは平均エラーが5.89%で、Fish S2 Proの4.40%、Higgs Audio v3の2.74%に及ばず、Qwen3-TTSの0.6BモデルはSeed-TTSで1.12%とわずかに上回ります。モデルカードは自らの表を、条件をそろえた順位ではなく参考比較と呼び、品質が言語によって異なると注記しています。数字はすべてEdge0によるもので、リアリズムを直接測ったものはありません。
提供方法は多くの小規模ラボより丁寧に文書化されています。SGLang OmniアダプターがバッチングつきのOpenAI互換の音声APIを提供し、NVIDIA H20 1枚で約5.9 sの音声に対してウォーム時のレイテンシー0.691 s、リアルタイム係数0.116を計測しました。ただしこのテストは同じアーキテクチャのPreview 0.6Bで行われています。カードによればRealistic Air自体のスループットとストリーミングは計測されておらず、まだONNXのエクスポートもないため、CPUで使う人は古いPreviewモデルに限られます。
注意点：出自と安全対策です。開発元の情報は乏しく、GitHubではEdge0-AI、Hugging FaceではEdge0、0.1BのカードのコードではAudio8と表記され、所在地や会社の詳細は公開されていません。0.1Bのカードはクローン前に同意を求めていますが、どちらのカードも電子透かしには触れていません。リポジトリは活発で、スターは2,361、2026年11月2日にpushがあり、Realistic Airは直近1か月で11,349回ダウンロードされています。
真価を発揮する場面
インディーゲームをタイ語、ベトナム語、インドネシア語にローカライズする2人のスタジオ
キャラクターごとの料金なしで、同じキャラクターに複数言語で声を付ける
短い参照クリップと書き起こしから各俳優の声をクローンし、民生用GPU 1枚でセリフを一括レンダリングします。Apache 2.0なので商用利用できます。カードが品質のばらつきを警告しているので、各言語を耳で確認してください。
音声エージェントのスタートアップのバックエンドエンジニア
1枚のGPUから多数の通話者に同時にクローン音声を提供する
SGLang Omniアダプターを実行します。初期設定で実行中のリクエストを最大32件までバッチ処理し、OpenAI互換の/v1/audio/speechエンドポイントで提供します。H20で計測したRTF 0.116は余裕を示唆しますが、Realistic Air自体のスループットは未計測です。
ノートPCでオフラインの読み上げアシスタントを作る趣味の開発者
GPUなしで中国語と英語のテキストを読み上げる
Preview 0.1BのONNX INT8ランタイムを約0.4 GiBでCPU上で使い、PCMのストリーミングとローカルのWebサーバーを組み合わせます。個人利用には十分ですが、売上がUS$2 millionを超える企業にはライセンスが必要です。
導入前に確認すること
- 導入
- Python 3.10+とCUDA GPUが必要です。リポジトリをクローンし、pip install -r requirements.txtを実行し、モデルIDを指定してaudio8_tts_infer.pyを実行します。クローンするには参照クリップと書き起こしを加えます。SGLang Omniはテスト済みのコミットに固定する必要があります。
- 連携
- Transformers(4.57以上5未満。5.xでは無音の出力になることがある)、OpenAI互換の音声APIを備えたSGLang Omni、Previewのエクスポート用のONNX Runtime、教師ありファインチューニングのスクリプト。
- データとプライバシー
- セルフホストで、自分のマシンから何も出ません。Realistic AirとPreview 0.6BはApache 2.0です。Preview 0.1Bのコミュニティライセンスでは、関連会社を含めた年間売上がUS$2 million以上の場合、書面による商用ライセンスが必要です。
- 大規模利用時のコスト
- 0.6BモデルのBF16の重みは約1.2 GBです。SGLangサーバーは初期設定でGPU 1枚に対し静的メモリ比率0.2を使います。現在ホスティングしているプロバイダーはありません。
- 制限
- テキストと音声を合わせて2,048ポジション。言語によって品質にむらがあります。Realistic Airの速度とストリーミングは未計測です。長い、雑音の多い、または書き起こしの誤った参照クリップは安定性と類似度を下げます。
良い点
- 0.6BモデルはApache 2.0の重みとコード
- Seed-TTSのエラー率が6から8倍の規模のモデルに近い
- 23言語、44.1 kHz出力
- OpenAI互換APIのSGLang Omniサーバー、H20でRTF 0.116
- 0.1BのONNX INT8は約0.4 GiBでCPU上で動く
気になる点
- 24言語テストではFish S2 ProとHiggs Audio v3に及ばない
- ベンチマークはすべて自己申告、Realistic Airの速度は未計測
- Realistic AirにはONNXもCPUでの実行手段もない
- 電子透かしなし、開発元の詳細は非公開
- 0.1BのライセンスはUS$2 millionを超える売上の企業に課金
おすすめの人
寛容なライセンスの多言語音声クローンを小さなGPU予算で必要とし、自分の言語で品質を試せる開発者。
Audio8 TTSの代替
Audio8 TTS：よくある質問
- Audio8 TTSは使う価値があるか？
- Audio8の0.6Bモデルは、23言語で4Bパラメータ級の競合に近いエラー率で声をクローンします。規模に対しては優れた選択ですが、最も難しい多言語テストではまだ競合に及びません。 評価は5点満点中3.8点です。
- Audio8 TTSの料金は？
- 無料です。Realistic AirとPreview 0.6Bの重みはApache 2.0です。Preview 0.1Bは非商用と、年間売上がUS$2 million未満の企業なら無料です。ホスト型APIはありません。
- Audio8 TTSの欠点は？
- 24言語テストではFish S2 ProとHiggs Audio v3に及ばない; ベンチマークはすべて自己申告、Realistic Airの速度は未計測; Realistic AirにはONNXもCPUでの実行手段もない; 電子透かしなし、開発元の詳細は非公開; 0.1BのライセンスはUS$2 millionを超える売上の企業に課金.
- Audio8 TTSは誰に向いているか？
- 寛容なライセンスの多言語音声クローンを小さなGPU予算で必要とし、自分の言語で品質を試せる開発者。
- チームや本番環境でAudio8 TTSを使うと費用はいくらか？
- 0.6BモデルのBF16の重みは約1.2 GBです。SGLangサーバーは初期設定でGPU 1枚に対し静的メモリ比率0.2を使います。現在ホスティングしているプロバイダーはありません。
- Audio8 TTSは企業データを扱っても安全か？
- セルフホストで、自分のマシンから何も出ません。Realistic AirとPreview 0.6BはApache 2.0です。Preview 0.1Bのコミュニティライセンスでは、関連会社を含めた年間売上がUS$2 million以上の場合、書面による商用ライセンスが必要です。
- Audio8 TTS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Qwen3-TTS, Chatterbox, OmniVoice 、 Kokoro-82Mです。
回答確認日：2026年11月5日