KittenTTS 2とは？
KittenTTS 2は、Y Combinatorが支援するStellon LabsのブランドであるKittenMLのテキスト読み上げモデルで、2026年9月下旬にHugging Faceで公開されました。15Mから80MパラメータのKittenTTS 0.8とは種類の違うモデルです。17億パラメータの音声言語モデルがS3コーデックのトークンを書き出し、それをボコーダーが24 kHzの音声に変換します。線形層の重みは3値（それぞれが3つの値のいずれか）で、既定のダウンロードは954 MBと、素のbf16の3,469 MBより小さく、どちらもビット単位で同一の音声を出力します。
115種類の組み込み音声を備え、1人の話者の5から30秒の音声から声をクローンし、10種類の感情タグ、<laugh>のような10種類の発声イベントタグ、三重括弧による強調を受け付けます。いずれもベータ版です。モデルカードは16言語の音声を挙げていますが、GitHubのREADMEは20言語としています。kittenml Pythonパッケージ（PyTorch、NVIDIAではvLLM、Apple siliconではMLX）か、CPU向けのKittenMLのllama.cppフォークで動きます。
PythonのコードはApache 2.0ですが、重みはStellon Labs Community Licenseのもとにあり、年間売上か累計調達額が$1 million（100万ドル）を超えると無料の商用利用は終わります。元になったGitHubリポジトリのスター数は約16,600です。
KittenTTS 2の料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Stellon Labs Community License。商用利用は売上と調達額が100万ドル（$1 million）未満の 場合 |
| Enterprise licence | Not published | しきい値を超える場合は必須 |
重みはStellon Labs Community Licenseのもとで、研究用途と、売上と調達額がともに100万ドル（$1 million）未満の商用ユーザーには無料で、登録が必要です。ホスト型APIの料金は公表されていません。
KittenTTS 2は使う価値があるか？
KittenTTS 2は興味深い圧縮の成果ですが、品質を裏づける根拠が少なすぎます。1.7Bの音声モデルを3値の重みに詰め込むことで、劣化なしにダウンロードを954 MBまで減らしています。KittenMLのMLXに関するメモはその意味を説明しています。生成は音声1/25秒ごとに1回の順伝播で、メモリ帯域に制約されるため、トークンごとに3.5 GBではなく約1.4 GBを読み込むことが高速化につながります。KittenMLが公表していないのは、単語誤り率、聴取テスト、リーダーボードへの掲載で、このモデルはArtificial Analysisの2つのテキスト読み上げボードのどちらにも載っていません。
「CPUで動く」という約束は注意して読む必要があります。KittenML自身のMLXガイドは、既定のPyTorchバックエンドがApple siliconのMacでは実時間より遅いとしており、Better Stackの記事では、短い文に数秒かかりました。速い経路はベータ版のC++フォークです。8スレッドのXeonで毎秒45.7トークンを生成し、音声1秒あたり25トークンなので、私たちの計算では言語モデル部分だけで実時間の約1.8倍で、これはボコーダーを動かす前の数字です。RTX 3060では、4ビットの重みを使ったvLLMにより、 長い文章がPyTorchでの45.20秒から10.38秒に短縮されます。
目玉はクローン機能で、KittenMLが示す数値は自社のものだけです。未知の録音をクローンした際の話者類似度0.81です。重みのライセンスは同意やなりすましに触れておらず、Stellon Labsに問い合わせなければ入手できない利用規定を参照しているため、実在の人物のクローンに関するルールは公開されていません。
より大きな障害はライセンスです。無料の商用利用にはStellon Labsへの登録が必要で、あなたや関連会社の年間売上か累計調達額が100万ドル（$1 million）を超えると終わります。シードラウンドを終えたスタートアップの大半はこれで除外されます。製品には「Powered by KittenML」と表示する必要があり、出力を基盤的な生成モデルの学習に使うことはできず、許諾は取り消し可能です。どちらもArtificial Analysisのオープンウェイトのボードに載っているChatterboxとKokoroは、はるかに単純な条件です。
真価を発揮する場面
Linuxノートパソコン向けのオフライン読み上げアプリを作る個人開発者
クラウドへの通信もGPUもなしに記事を読み上げる
kitten-tts-2-cppをビルドし、ディスク上で39 MBのstudent_w4デコーダーを使います。ストリーミングサーバーではなくバッチ型のCLIと考え、入力は分割してください。KittenMLによれば、長い文章を1回で処理すると、モデルが途中で切れたり繰り返しに陥ったりします。
小型のクローンモデルを比較する大学の音声研究室
3値への圧縮でbf16と比べてどれだけ品質が落ちるかを測る
研究利用は無料で、リポジトリには同じ重みのbf16版、3値版、4ビット埋め込み版が含まれているため、1つの研究で直接比較できます。KittenMLは単語誤り率を公表していないので、研究室自身の評価が実際の空白を埋めます。
200万ドルを調達したシード段階のスタートアップのCTO
KittenTTS 2を有料製品に載せられるかを確かめる
別途のライセンスなしには載せられません。累計調達額が100万ドルを超えると、売上に関係なく無料の商用許諾は終わります。商用条件はinfo@stellonlabs.comへの問い合わせ制で、価格は公表されていません。
導入前に確認すること
- 導入
- pip install kittenmlを実行し、KittenML/kitten-tts-2を読み込んで、音声名か参照クリップを指定してgenerateを呼び出します。Hugging Faceへのログインは不要です。KittenMLは、空きが約8 GBのCUDA GPUか、約6 GBのRAMを持つCPUと、約2 GBのディスクを求めています。
- 連携
- 既定はPyTorchで、NVIDIA（ドライバー580以降）では任意のvLLMバックエンド、Apple siliconではMLXバックエンドがあります。OpenAI互換の音声APIと音声クローンを備えたDockerイメージ、Pythonバインディング付きのllama.cppフォークkitten-tts-2-cppもあります。
- データとプライバシー
- Stellon Labs Community License：研究と非商用利用は無料です。商用利用には登録が必要で、年間売上か累計調達額が100万ドルを超えると停止します。「Powered by KittenML」の表示が必要です。出力で基盤的な生成モデルを学習できません。取り消し可能です。同梱のpyannote話者モデルはMIT、コードはApache 2.0です。セルフホストなので、音声が手元のマシンから出ることはありません。
- 大規模利用時のコスト
- セルフホストは安価です。KittenMLのvLLMベンチマークはRTX 3060 12 GB 1枚を使い、C++ランタイムはCPU上でトランスフォーマーの重みを約357 MiBで保持します。ホスト型のKittenMLプラットフォームはサインインが必要で、価格は公表されていません。
- 制限
- 感情の制御はベータ版で、音声によってばらつきがあります。英語のテキスト正規化は、normalize=Falseにしない限り他の言語の数字や日付を崩します。ストリーミングはチャンク単位なので、約380文字未満のテ キストは1チャンクで届きます。C++ランタイムはストリーミングできず、クローン音声の準備にはオフラインのPythonの手順が必要です。そのTQ2_1 GGUFは標準のllama.cppでは読み込めません。
良い点
- 劣化なしの3値ダウンロードは954 MBで、劣化ありの埋め込みなら469 MBです
- 5から30秒の音声から声をクローンできます
- 感情と発声イベントのタグが使える115種類の組み込み音声があります
- CPU、NVIDIA（vLLM）、Apple silicon（MLX）のバックエンドがあります
気になる点
- 精度や聴取テストの結果が公表されておらず、Artificial Analysisのボードに載っていません
- 無料の商用利用は売上100万ドルか調達額100万ドルで終わります
- 利用規定が公開されていません
- 既定のPyTorchバックエンドはMacでは実時間より遅いです
おすすめの人
普通のハードウェアでオフラインの音声クローンを使いたく、品質の上限が未確認でも構わない趣味の開発者、研究者、資金調達していない開発者。
KittenTTS 2の代替
KittenTTS 2：よくある質問
- KittenTTS 2は使う価値があるか？
- KittenTTS 2はクローン可能な音声モデルを1ギガバイト未満に詰め込みましたが、KittenML以外の誰もまだその音質を示しておらず、ライセンスは資金調達済みの企業の大半を締め出します。 評価は5点満点中3.4点です。
- KittenTTS 2の料金は？
- 重みはStellon Labs Community Licenseのも とで、研究用途と、売上と調達額がともに100万ドル（$1 million）未満の商用ユーザーには無料で、登録が必要です。ホスト型APIの料金は公表されていません。
- KittenTTS 2の欠点は？
- 精度や聴取テストの結果が公表されておらず、Artificial Analysisのボードに載っていません; 無料の商用利用は売上100万ドルか調達額100万ドルで終わります; 利用規定が公開されていません; 既定のPyTorchバックエンドはMacでは実時間より遅いです.
- KittenTTS 2は誰に向いているか？
- 普通のハードウェアでオフラインの音声クローンを使いたく、品質の上限が未確認でも構わない趣味の開発者、研究者、資金調達していない開発者。
- チームや本番環境でKittenTTS 2を使うと費用はいくらか？
- セルフホストは安価です。KittenMLのvLLMベンチマークはRTX 3060 12 GB 1枚を使い、C++ランタイムはCPU上でトランスフォーマーの重みを約357 MiBで保持します。ホスト型のKittenMLプラットフォームはサインインが必要で、価格は公表されていません。
- KittenTTS 2は企業データを扱っても安全か？
- Stellon Labs Community License：研究と非商用利用は無料です。商用利用には登録が必要で、年間売上か累計調達額が100万ドルを超えると停止します。「Powered by KittenML」の表示が必要です。出力で基盤的な生成モデルを学習できません。取り消し可能です。同梱のpyannote話者モデ ルはMIT、コードはApache 2.0です。セルフホストなので、音声が手元のマシンから出ることはありません。
- KittenTTS 2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Kokoro-82M, Chatterbox, Qwen3-TTS 、 OmniVoiceです。
回答確認日：2026年10月28日