NeuTTS (Air, Nano, 2E)とは？
NeuTTSは、Neuphonicによる小型のテキスト読み上げモデルのシリーズで、クラウドではなくデバイス上で動かすことを前提にしています。2025年10月に公開されたNeuTTS Airは、アクティブパラメータ約3億6,000万（埋め込みを含めて5億5,200万）で、英語を話します。アクティブパラメータ約1億2,000万のNeuTTS Nanoには、英語、フランス語、ドイツ語、スペイン語の各版があります。2026年7月に公開されたNeuTTS-2Eは、4つの固定の英語音声で6種類の感情を表現しますが、クローンはできません。
どのモデルも小さな言語モデルとNeuphonicの音声コーデックNeuCodecを組み合わせたもので、llama.cpp向けにQ8とQ4のGGUFファイルで配布されます。AirとNanoは、約3秒のクリアな音声から声をクローンします。すべての出力にはデフォルトでPerthの透かしが入ります。AirはApache 2.0で、Nanoと2EはNeuTTS Open Licenseです。後者が商用で無料になるのは、年間売上が$5 million未満の場合だけです。
NeuTTS (Air, Nano, 2E)は使う価値があるか？
NeuTTSは、音声をデバイスの外に出せない場面のためのモデルです。おもちゃ、キオスク端末、プライバシーに敏感なアプリなどです。Neuphonicの数字では、Q4のNanoモデルはGalaxy A25のスマートフォンで毎秒45トークン、Ryzen 9搭載ノートパソコンのCPUで毎秒221トークンですが、これは言 語モデルだけの数字で、音声を作るコーデックは含みません。約3秒の音声からクローンできる点で、固定の音声しかないKokoroやPhononより優れています。
品質面の代償は、公開された比較に表れています。Gradiumによるオンデバイスモデルのブラインドテストでは、NeuTTSのEloは2,034で、Kokoroの2,043、Phonon 31Mの2,098を下回り、難しい文の単語誤り率は8.7%と、それぞれ3.5%、1.5%より高くなりました。別製品であるNeuphonicのホスト型APIは、Artificial Analysisのアリーナで104モデル中91位、Eloは942です。
安全面では、多くのオープンモデルより優れています。Chatterboxと同じく、Perthの透かしがデフォルトですべてのクリップに入ります。落とし穴が1つあり、ソースからuv syncでインストールすると透かしの依存関係が入らず、透かしが無効になります。pip installなら有効なままです。同意については、モデルを悪用しないよう求める1行があるだけです。
注意点：シリーズの中でもライセンスが異なります。Apache 2.0なのはAirだけで、多言語のNanoモデルと感情表現の2EはNeuTTS Open Licenseに属し、関連会社を含めた売上が$5 millionに達すると有料ライセンスが必要です。2,048トークンのコンテキストは参照プロンプトを含めて約30秒の音声分なので、長い文章は分割する必要があります。
結論：NeuTTSは、クローンした声をネットワークなしで動かす必要があるハードウェアやオフラインアプリで真価を発揮します。サーバーを呼び出せる用途なら、同じ費用でより大きなモデルの方が良い音になります。
真価を発揮する場面
親の録音した声で話すぬいぐるみを作るおもちゃメーカー
音声をサーバーに送らずに、その声で寝る前のお話を読みたい
親の声を3秒から15秒録音して一度だけ事前エンコードし、おもちゃのプロセッサでAirのQ4 GGUFを動かします。AirはApache 2.0なので売上の基準は関係なく、透かしがすべてのクリップに入ります。
データの扱いに厳しい医療アプリのチーム
患者向けの説明をフランス語、ドイツ語、スペイン語でデバイス上で読み上げたい
同じ言語の参照クリップを使って対応するNanoモデルを動かせば、テキストはスマートフォンの外に出ません。売上$5 million未満の企業なら無料で出荷でき、それを超える場合はNeuphonicのライセンス費用を見込みます。
Raspberry Piでキオスク端末を作る開発者
案内画面に、少し感情のある自然な英語の声を付けたい
NeuTTS-2Eには4つの固定音声と、ニュートラルを含む7つの感情設定があり、引数1つで選べます。ONNXデコーダーとGGUFのバックボーンを使うとレイテンシを下げられます。
導入前に確認すること
- 導入
- pip install neuttsを実行します（GGUFにはllamaのextra、ONNXデコーダーにはonnxのextraを追加）。参照クリップは3秒から15秒の、モノラルでクリアな.wavが推奨です。ストリーミングはGGUFモデルでのみ動きます。
- 連携
- Pythonパッケージ、llama-cpp-python経由のllama.cpp、ONNXデコーダー、Hugging Face Spacesのデモ。Neuphonicは別製品のホスト型TTS APIも販売しています。
- データとプライバシー
- ローカルで動くため、テキストと音声クリップはデバイスに残ります。pipでインストールすればPerthの透かしはデフォルトで有効です。同意の確認は「Don't use this model to do bad things」という一文以外にありません。
- 大規模利用時のコスト
- Airは規模を問わず無料です。Nanoと2Eは関連会社を含む年間売上$5 million未満なら無料で、有料ライセンスの価格は公開されていません。
- 制限
- コンテキストは2,048トークンでプロンプトを含め約30秒、Airと2Eは英語のみ、ベンチマークの速度はコーデックの処理を含まず、シードを固定しない限り出力はランダムです。
良い点
- GGUFでスマートフォン、ノートパソコン、Raspberry Piで動く
- 約3秒の音声から声をクローンできる
- デフォルトですべてのクリップにPerthの透かし
- AirはApache 2.0
気になる点
- Gradiumのテストで難しい文の誤り率は8.7%、Phononは1.5%
- Nanoと2Eは売上$5 million以上で有料ライセンスが必要
- コンテキストは2,048トークン、音声約30秒分
- uv syncでインストールすると透かしが知らないうちに外れる
おすすめの人
スマートフォンや組み込みボードでオフラインの音声クローンを動かしたい、出所表示を組み込みたいハードウェアメーカーやアプリ開発者。
NeuTTS (Air, Nano, 2E)の代替
NeuTTS (Air, Nano, 2E)：よくある質問
- NeuTTS (Air, Nano, 2E)は使う価値があるか？
- NeuTTSは透かし付きの音声クローンをスマートフォンやRaspberry Piで動かしますが、その代わりに小型モデルらしい音になります。 評価は5点満点中3.6点です。
- NeuTTS (Air, Nano, 2E)の料金は？
- AirはApache 2.0で無料です。Nanoと2Eは研究用途と年間売上$5 million未満の企業なら無料で、それを超えると有料ライセンスが必要です。
- NeuTTS (Air, Nano, 2E)の欠点は？
- Gradiumのテストで難しい文の誤り率は8.7%、Phononは1.5%; Nanoと2Eは売上$5 million以上で有料ライセンスが必要; コンテキストは2,048トークン、音声約30秒分; uv syncでインストールすると透かしが知らないうちに外れる.
- NeuTTS (Air, Nano, 2E)は誰に向いているか？
- スマートフォンや組み込みボードでオフラインの音声クローンを動かしたい、出所表示を組み込みたいハードウェアメーカーやアプリ開発者。
- チームや本番環境でNeuTTS (Air, Nano, 2E)を使うと費用はいくらか？
- Airは規模を問わず無料です。Nanoと2Eは関連会社を含む年間売上$5 million未満なら無料で、有料ライセンスの価格は公開されていません。
- NeuTTS (Air, Nano, 2E)は企業データを扱っても安全か？
- ローカルで動くため、テキストと音声クリップはデバイスに残ります。pipでインストールすればPerthの透かしはデフォルトで有効です。同意の確認は「Don't use this model to do bad things」という一文以外にありません。
- NeuTTS (Air, Nano, 2E)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Gradium Phonon, Kokoro-82M, Chatterbox 、 KittenTTS 2です。
回答確認日：2026年11月7日