Kokoro-82Mとは？
状態：メンテナンスは終了しています。hexgrad/kokoroへの最後のコミットは2025年8月6日で、重みの最終更新は2025年4月なので、1年以上何も変わっていません。それでもHugging Faceでは月に約1,000万回ダウンロードされています。Kokoroは8,200万パラメータのオープンウェイトのテキスト読み上げモデルで、StyleTTS 2の アーキテクチャをもとに、hexgradとして知られる開発者が作りました。2025年1月27日に公開されたバージョン1.0は、8言語にわたる54種類のプリセット音声を備え、Pythonパッケージはアメリカ英語とイギリス英語、スペイン語、フランス語、ヒンディー語、イタリア語、ブラジルポルトガル語、日本語、標準中国語に対応しています。
重みはApache 2.0です。モデルカードによると、パブリックドメインと寛容なライセンスの音声数百時間に、大手プロバイダーのクローズドなTTSモデルが生成した合成音声を加えて、約$1,000のGPU時間で学習されました。Hugging Faceのページには、直近1か月で1,000万回を超えるダウンロードが記録されています。v1.0以降に新しいモデルはなく、GitHubリポジトリへの最後のコミットは2025年8月6日で、14か月以上前です。
Kokoro-82Mの料金は？
| プラン | 価格 | 内容 |
|---|---|---|
| Weights | Free | Apache 2.0 |
| Replicate | $0.65 per million characters | Artificial Analysis経由 |
| DeepInfra | $0.99 per million characters |
Apache 2.0で無料です。ホスト型ではReplicateで100万文字あたり$0.65（Artificial Analysis経由）とボードで最も安く、DeepInfraでは$0.99です。
Kokoro-82Mは使う価値があるか？
Kokoroは、音声が安く、ローカルで、法的に単純でなければならないときの定番の答えであり、人間らしく聞こえる必要があるときには間違った答えです。Artificial Analysisは98のテキスト読み上げモデル中57位、1065 Eloとしており、Amazon Polly Generative（1066）と並び、オープンなChatterbox（1024）を上回ります。料金は100万文字あたり$0.65で、ボードで最も安い価格です。首位のEleven v4 Turboは1335で、同じ100万文字に$40かかります。
経済性を説明するのはサイズです。重みと音声パックを合わせたリポジトリ全体で約330 MBで、モデルはISTFTNetボコーダーを使うデコーダーのみのStyleTTS 2設計で、拡散のステップはありません。モデルカードの目安は1,000文字で音声1分なので、ホスト型のKokoroは音声1時間あたり$0.06未満になります。
ライセンスは多くのモデルより単純ですが、「寛容なライセンスの音声」という表現が示すほどきれいではありません。重みはApache 2.0です。学習データには、パブリックドメイン、ApacheとMITのライセンス、CC BYの音声に、クローズドな商用TTSモデルの合成音声が混ざっており、モデルカードは米国著作権局の指針を根拠にこれを正当化しています。それがそれらのプロバイダーの規約と問題なく両立するかどうかは、モデルカードではなく弁護士が判断すべき問題です。
開発は止まっています。v1.0は2025年1月27日に公開され、リポジトリ の最終更新は2025年8月6日で、今回の確認の14か月以上前です。54種類のプリセット音声以外に、クローンやスタイルの制御は今もありません。人気は模倣者も呼んでいます。モデルカードは、ドメインに「kokoro」を含むWebサイトは無関係で詐欺の可能性が高いと警告しており、ホスト版を探す購入者には現実的なリスクです。
真価を発揮する場面
地方のニュース発行元のアクセシビリティエンジニア
文字単位の大きな請求なしに、すべての記事に読み上げ音声を付ける
既存のサーバーで各記事を事前に音声化するか、ホストを呼び出します。100万文字あたり$0.65なら、月5,000万文字で約$33です。リスナーには、明瞭ですが明らかに合成の音声が届きます。
Androidとデスクトップ向けのオフライン読書アプリの開発者
ネットワークなしで動く組み込みのナレーションを搭載する
ダウンロードが小さくApacheライセンスなので、ロイヤリティなしで同梱できます。パッケージは一部の言語と見慣れない英単語にespeak-ngを使うため、その依存関係とライセンスもアプリに含まれます。
社内研修モジュールを2,000本抱える人材育成の責任者
重要度の低い講座コンテンツに安く音声を付ける
1億文字（100 million）、およそ1,700時間の音声は、Artificial Analysisの価格でホスト型Kokoroなら約$65、Eleven v4 Turboなら約$4,000です。受講者には270ポイントのEloの差が聞き取れるでしょう。
導入前に確認すること
- 導入
- pip install kokoro（0.9.2以降）とespeak-ngを入れ、KPipelineを使ったPythonを数行書きます。出力は24 kHzの音声です。Apple SiliconのGPUではPYTORCH_ENABLE_MPS_FALLBACK=1が必要です。
- 連携
- 書記素から音素への変換ライブラリmisakiをもとにしたPythonパッケージ。ReplicateとDeepInfraのホスト型エンドポイント。Hugging Faceのデモ用Space。
- データとプライバシー
- 重みはApache 2.0で、商用利用が認められています。学習には、パブリックドメイン、寛容なライセンス、CC BY（Koniwa、SIWIS）の音声と、クローズドなTTSモデルの合成出力が使われました。セルフホストなら、テキストは自社のサーバーにとどまります。
- 大規模利用時のコスト
- Replicateで100万文字あたり$0.65（Artificial Analysisの数値）、DeepInfraで$0.99なので、月1億文字（100 million）、約1,700時間の音声はホスト型で$65から$99です。
- 制限
- 8言語で54種類のプリセット音声、音声クローンや感情の制御はなし、1065 Elo、2025年1月のv1.0以降モデルのリリースはありません。
良い点
- Apache 2.0で、音声パックを含めて約330 MBです
- ホスト型で100万文字あたり$0.65と、Artificial Analysisで最も安いです
- 8言語にわたる54種類のプリセット音声があります
- 拡散のステップがない、デコーダーのみの設計です
気になる点
- 1065 Eloで、Polly Generativeと並び、首位より270低いです
- プリセット音声のみで、クローンや感情の制御はありません
- 2025年1月以降、モデルの更新がありません
- 学習デー タにクローズドなTTSモデルの合成音声が含まれます
おすすめの人
ナレーション、アクセシビリティ、プロトタイプ向けに、安く寛容なライセンスの音声を必要とする開発者。
Kokoro-82Mの代替
Kokoro-82M：よくある質問
- Kokoro-82Mは使う価値があるか？
- これほど小さくてこれほど良い音のモデルは他にありませんが、2025年8月以降更新されていないため、今後改善するプロジェクトではなく完成したソフトウェアとして扱うべきです。 評価は5点満点中3.9点です。
- Kokoro-82Mの料金は？
- Apache 2.0で無料です。ホスト型ではReplicateで100万文字あたり$0.65（Artificial Analysis経由）とボードで最も安く、DeepInfraでは$0.99です。
- Kokoro-82Mの欠点は？
- 1065 Eloで、Polly Generativeと並び、首位より270低いです; プリセット音声のみで、クローンや感情の制御はありません; 2025年1月以降、モデルの更新がありません; 学習データにクローズドなTTSモデルの合成音声が含まれます.
- Kokoro-82Mは誰に向いているか？
- ナレーション、アクセシビリティ、プロトタイプ向けに、安く寛容なライセンスの音声を必要とする開発者。
- チームや本番環境でKokoro-82Mを使うと費用はいくらか？
- Replicateで100万文字あたり$0.65（Artificial Analysisの数値）、DeepInfraで$0.99なので、月1億文字（100 million）、約1,700時間の音声はホスト型で$65から$99です。
- Kokoro-82Mは企業データを扱っても安全か？
- 重みはApache 2.0で、商用利用が認められています。学習には、パブリックドメイン、寛容なライセンス、CC BY（Koniwa、SIWIS）の音声と、クローズドなTTSモデルの合成出力が使われました。セルフホストなら、テキストは自社のサーバーにとどまります。
- Kokoro-82M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Chatterbox, Qwen3-TTS, Gemini 3.8 Flash TTS 、 OmniVoiceです。
回答確認日：2026年10月26日