Pocket‑TTS: 軽量CPU専用テキスト・トゥ・スピーチライブラリ

January 19, 2026

タグ:

Open Source Python tts Voice Cloning CPU

Pocket‑TTS: 軽量でCPU専用のテキスト・トゥ・スピーチライブラリ

テキスト・トゥ・スピーチ（TTS）は、デジタルアシスタントからアクセシビリティツールまで、様々なアプリケーションで不可欠な要素となっています。従来のソリューションは強力なGPUを必要としたり、有料のWeb APIに頼ったりするため、エッジデバイスやプライバシーを重視した導入には不向きです。Pocket‑TTS は、完全にCPU上で実行できる高品質・低レイテンシのTTS体験を提供し、この課題を解決します。

TL;DR – Pocket‑TTS は 100 M パラメータのモデルで、2つのCPUコア上で音声合成を行い、約200 ms の最初のチャンクレイテンシと MacBook Air M4 での約6倍のリアルタイム速度を実現します。pip install pocket-tts または uv add pocket-tts でインストールし、CLI から pocket-tts generate、または Python から TTSModel.load_model() を呼び出してください。

Pocket‑TTS はなぜ必要か

機能	Pocket‑TTS	競合（典型的）
モデルサイズ	100 M パラメータ	700 M–1 B+
ランタイム	2 CPU コア	GPU または TPU
レイテンシ	~200 ms	1–2 s
デプロイ	pip/uv インストール	Docker + GPU、Web API
音声ライブラリ	8 つのプリビルト音声 + wav 入力	制限があるかない
言語	英語のみ（近日多言語対応）	多言語

Pocket‑TTS は「ポケットに収まる TTS」というアイデアから設計されました。以下の特徴が差別化のポイントです。

CPU 専用 – どんな最新の CPU でも動作し、CUDA や GPU は不要。
小さめのフットプリント – 100 M パラメータのトランスフォーマー（約30 MB）でリポジトリを軽量化。
音声ストリーミング – モデルが継続生成しながらリアルタイムで音声をストリームできる。
音声クローニング – wav ファイルを提供すれば、その音声に合わせて声状態を生成。
CLI & HTTP API – シンプルなコマンドラインと高速ローカルサーバーで統合が容易。

結果として、ノートパソコン、Raspberry Pi スタイル SBC、エッジインフェレンスチップ上で即座に動作するプラグアンドプレイ型ライブラリが完成します。

はじめに

Pocket‑TTS は純粋な Python パッケージで、PyTorch 2.5+ が必要です。最も簡単な入手方法は uv（限定環境向け推奨）または pip です。

uv でインストールする

uv add pocket-tts
uvx pocket-tts generate "Hello World!"

uvx は一時環境でコマンドを実行します。素早いテストに最適です。

pip でインストールする

pip install --upgrade pocket-tts
pocket-tts generate "Hello World!"

上記例ではデフォルト音声（alba）をダウンロードし、tts_output.wav に書き出します。

Colab 例

!pip install pocket-tts

from pocket_tts import TTSModel
import scipy.io.wavfile as wav

model = TTSModel.load_model()
voice_state = model.get_state_for_audio_prompt("alba")
audio = model.generate_audio(voice_state, "Hello from Colab!")
wav.write("output.wav", model.sample_rate, audio.cpu().numpy())

最初のモデル読み込みは約30 秒かかりますが、その後の呼び出しはメモリに保持されます。

音声クローニング

Pocket‑TTS はローカル wav ファイルまたは Hugging Face ホストの wav を受け付け、音声クローニングをサポートします。

pocket-tts generate "This is my cloned voice" --voice ./my_voice.wav

Hugging Face の URL を渡すことも可能です。

pocket-tts generate "I love Hugging Face" \
  --voice "hf://kyutai/tts-voices/expresso/ex01-ex02_default_001_channel2_198s.wav"

音声ファイルは約16 kHz、16‑bit PCM である必要があります。リポジトリ内の voice_catalog.md に例音声リストがあります。

音声状態の管理

短時間で複数の音声を使用する場合、音声状態をメモリに保持しておくと便利です。

model = TTSModel.load_model()
voice_alba = model.get_state_for_audio_prompt("alba")
voice_marius = model.get_state_for_audio_prompt("marius")
# モデルを再初期化せずに再利用

CLI & HTTP サーバー

CLI

Pocket‑TTS は高レベルのコマンドを二つ提供します。

generate – テキストから wav ファイルを生成。
serve – ローカル FastAPI HTTP サーバーを起動。

サーバーを起動し、Web UI にアクセスします。

uvx pocket-tts serve  # pip でインストールした場合は pocket-tts serve

http://localhost:8000 を開くと、ブラウザ内のインタフェースがレスポンシブで、約6倍のリアルタイム速度でモデルがメモリに保持されます。

HTTP API

API は /generate エンドポイントを公開し、POST JSON ペイロードを受け付けます。

{ "text": "Hello, world!", "voice": "alba" }

curl で呼び出せます。

curl -X POST http://localhost:8000/generate \
  -H "Content-Type: application/json" \
  -d '{"text":"Hello","voice":"alba"}' \
  --output out.wav

リクエストに stream=true を設定すると、音声をチャンク単位でストリームします。

Python API 統合

サービスに TTS を埋め込む場合、直接ライブラリを利用します。

from pocket_tts import TTSModel
import torch

model = TTSModel.load_model()
voice_state = model.get_state_for_audio_prompt("alba")
text = "Complex sentence that may be very long ..."

# Audio は 1‑D torch Tensor
audio = model.generate_audio(voice_state, text)
# 保存またはストリーム
torch.save(audio, "demo.pt")