RLR-0067 ・ 公開 2026/10/31 ・ 更新 2026/11/01

Pocket TTS 4.0とは?GPUなしで英語音声を作る方法と18M・7M・2Mの選び方

Pocket TTS 4.0の小型英語音声モデルはCPUで動作。18M・7M・2Mの品質と速度、WindowsでのWAV生成手順、日本語非対応や声の権利の注意点を公式情報から解説します。

✓ 公開前チェック済み最終確認 2026/11/01
Pocket TTS 4.0の小型モデル、CPU動作、ローカル英語音声生成を説明するインフォグラフィック

「動画の英語ナレーションを作りたい。でもGPUはないし、APIの従量課金も避けたい」。そんな人が試せるローカル音声AIの選択肢が増えました。

フランスのAI研究組織Kyutaiは2026年10月20日、Pocket TTSの小型英語モデルを公開しました。新しいモデルは約1,820万・690万・190万パラメータ。一般的なグラフィックボードがなくても、CPUで英語の読み上げ音声を生成できます。

最初に重要な注意点をひとつ。今回の小型モデルは英語用です。日本語ナレーションを直接作るための新モデルではありません。 英語動画の声をローカルで作りたい人に向けて、モデルの違いとWindowsで試す入口を整理します。

Pocket TTSでできること

**TTS(Text-to-Speech)**は、文章を音声に変える技術です。Pocket TTSは文章からWAV音声を作れるオープンソースのツールで、ローカルのCPU実行を重視しています。

例えば英語の動画冒頭に「Welcome to my channel.」というナレーションを入れたい場合、文章を指定して音声ファイルを生成し、動画編集ソフトへ取り込む使い方ができます。クラウドの音声生成APIへ毎回リクエストすることを前提としません。ただし、初回のソフトウェア・モデル取得には通信やディスク容量が必要です。

2026年10月20日のKyutai公式発表では、従来の約1億パラメータ版を小型化した3サイズを比較しています。10月21日にはv4.0.1が公開され、小型モデルの発音に関する修正も行われました。

18M・7M・2Mはどれを選ぶ?

モデル名の「M」はパラメータ数の百万単位です。数が小さいほど必ず音が良い、という意味ではありません。

モデルパラメータ数公式CPU速度(実時間比)最初の選び方
従来版約100M2.8倍従来版との比較用
18M18.2M9.9倍品質と速度の両方を重視する最初の候補
7M6.9M12.6倍さらに軽快な生成を試したい
2M1.9M25倍速度優先の実験用。発音・音質低下に注意

この速度はKyutaiがCPUの1スレッドで測った数値です。例えば「実時間の9.9倍」は、10秒の音声を理想的には約1秒相当で生成するという速度指標で、すべてのWindows PCで同じ時間になるという保証ではありません。初回モデル取得、起動、音声保存などの時間も別です。

公式の評価では18Mは従来版に近い品質を狙い、7Mも小型ながら良好な数値を示しています。一方、2Mは発音誤り率が増え、自然さの指標も下がっています。初心者がまず試すなら18M、軽さを比較したくなったら7Mという順番が分かりやすいでしょう。

なお、18Mなどはモデルのパラメータ数です。ダウンロード容量や必要RAMが18MBという意味ではありません。実際のファイルや依存ライブラリ、メモリの余裕を別途確認してください。

Windowsで英語WAVを試す入口

公式READMEは、Python 3.10〜3.14、PyTorch 2.5以上の環境と、uvxによる実行方法を案内しています。次は公式CLIの引数に基づく手順例で、今回Windows実機で成功を確認したログではありません。

  1. Pocket TTSのGitHubとReleasesで最新版とWindowsで使う方法を確認します。Python経路を使う場合は、公式案内に沿ってuvを準備します。
  2. 作業用の空フォルダーを作り、PowerShellでそのフォルダーへ移動します。
  3. まず18M英語モデルを指定し、短い文章だけを生成します。
uvx pocket-tts generate --language english_18m_2026-10 --text "Hello from my local computer."

公式CLIの標準出力先は作業フォルダーのtts_output.wavです。音声を聞いて、英単語や固有名詞が読み間違えられていないか確かめましょう。出力先や引数は、利用している版の--helpでも確認してください。

  1. 同じ英文でenglish_7m_2026-10に切り替え、聞き取りやすさと生成時間を比べます。比較する際は、先に作ったWAVを別名で保存して上書きを防ぎます。

モデルの取得時にはHugging Faceで利用条件への同意が必要になるファイルがあります。アクセスに失敗したら、まず公式モデルカードの条件を確認し、非公式ミラーから無造作に取得しないようにしましょう。

うまく動かないとき

  • uvxが見つからない: uvの導入・PATH・新しいPowerShellでの再実行を確認する。
  • モデルを取得できない: ネットワーク、Hugging Faceのアクセス条件、空きディスクを確認する。
  • 音声が不自然: まず短い平易な英文で18Mを試し、英語モデルに日本語を入力していないか確認する。
  • PCによって遅い: CPU性能、メモリ不足、初回ダウンロードと音声生成時間を分けて見る。

いきなり長文や声の複製に進むより、短い英文でWAVが1本できるかを確認するのが近道です。

日本語対応と声の権利には注意

Pocket TTS全体には英語以外の言語モデルもありますが、2026年10月に追加された18M・7M・2Mの小型モデルは英語用です。第三者が公開した日本語向け派生モデルがあっても、公式小型英語モデルの日本語対応を意味しません。派生モデルはライセンスも別に確認する必要があります。

また、Pocket TTSは声の参照・複製に関する機能を持ちますが、公式モデルカードは、本人の明確で適法な同意のない声の模倣・なりすましなどを禁止しています。モデルページにはCC BY 4.0の表示がありますが、声素材の権利や追加条件まで無条件で自由になるわけではありません。

自分の動画で使う場合も、まず利用条件を確認し、権利を確認できる声素材または公式に利用条件が示された音声を使いましょう。

結論:まず18Mで英語を一文だけ読ませよう

Pocket TTS 4.0の魅力は、GPUなしのCPU環境でも英語ナレーションをローカル生成できる選択肢が増えたことです。最初は18Mで短いWAVを作り、もっと軽さが欲しいときに7Mと比較するのが分かりやすい手順です。

公式の速度値は参考になりますが、自分のPCでの生成時間や音質は別途確認が必要です。日本語音声を作りたい場合は、英語用小型モデルを無理に使わず、日本語対応が明示された別モデルを選びましょう。

参照した一次情報

SOURCES

確認した情報源

NEXT STEP

次は、目的から選ぶ

新着順だけでなく、知りたいテーマから関連する実用記事をまとめて探せます。