オープンTTS(音声合成)モデル比較｜ローカルで動かせる主要モデルの日本語対応・音声クローン・ライセンスを一覧で

ローカルで動かすオープンTTSが現実的になった背景

テキストから音声を生成するTTS(text-to-speech)は、音声まわりのAIツール（音声→テキストのAI文字起こしや、資料を音声で要約するNotebookLMなど）の一角で、長らくクラウドの商用APIが品質面で先行してきました。2026年6月時点では状況が変わり、オープンウェイトで配布されるモデルだけでも、読み上げ・ナレーション・音声クローンといった用途を自前の環境でこなせる水準に達しています。82Mパラメータの軽量モデルから、最大8Bクラス（この比較ではMisoTTSが最大）の大型モデルまで選択肢が広がり、CPUだけで動くものから、24GB級のVRAMを要するもの（8Bをbfloat16で動かす場合の目安で、現行ハイエンドのRTX 5090クラスが該当。float32ではさらに増える。VRAM容量の見積もりは姉妹サイトのVRAMとはが参考になる）まで、要件の幅も大きくなりました。

ローカルで動かす動機は主に三つに整理できます。ひとつはコストで、生成量が増えても従量課金が積み上がらず、初期のハードウェアと電力の範囲で回せます。次にデータの取り扱いで、原稿やナレーション台本を外部サービスへ送らずに処理できる構成（ローカルLLMと同じ発想）を取りやすくなります。三つめがカスタム音声で、リファレンス音声から話者の声質を移すゼロショット音声クローンが、多くのモデルで標準機能になりました。

ただし「ローカルだからデータが一切外に出ない」「オープンだから商用フリー」と無条件に言い切るのは正確ではありません。同じ「オープンTTS」でも、Apache 2.0のように商用利用を明示的に許すものもあれば、研究・非商用に限定するライセンスや、一定規模を超えた商用利用に条件を付けるものもあります。推論時にWeb検索やクラウドの補助サービスを呼ぶ実装を組み込めば、その経路ではデータが外部に渡ります。実際に外部送信が起きるかは、選んだモデルと、それをどう組み込むかという実装側の設計で決まります。本記事では各モデルのライセンスと日本語対応を一次ソースで確認したうえで、用途から逆算して選べるよう整理します。

オープンTTSを選ぶときに見るところ

モデル選定でまず確認したいのが日本語対応です。英語・中国語を主対象にしたモデルは多い一方、日本語をネイティブに扱えるものは限られます。さらに、日本語の発音を整えるために別途G2P(書記素から音素への変換)ライブラリを入れる必要があるモデルもあり、「対応言語に日本語が含まれる」ことと「追加セットアップなしで日本語を読める」ことは別物です。日本語ナレーションが主目的なら、ここを最初に絞り込み材料にすると無駄が少なくなります。

音声の自然さは品質の核ですが、数値で一律に比較しにくい軸でもあります。WER(単語誤り率)やCER(文字誤り率)は文章の読み間違いを測れますが、声の自然さや感情表現の説得力は主観評価(MOSなど)に頼る部分が大きく、評価条件や評価者の母語に左右されます。後述するように、デモ音声で受けた印象をそのまま自分の原稿に当てはめられるとは限りません。

速度とリアルタイム性も用途を分けます。生成にかかる時間が音声の長さより短い、いわゆるRTF(リアルタイムファクター)が1.0を下回る状態だと、対話やライブ配信のような即応用途に使えます。バッチでナレーションをまとめて作るだけなら多少遅くても問題になりませんが、対話エージェント（電話やチャット向けの音声AIエージェントなど）に組み込むなら低遅延を優先することになります。

音声クローンの可否は、用途によっては決定的です。固定の既製ボイスで足りるのか、特定の話者の声を再現したいのかで候補が変わります。クローン対応モデルは、数秒から数十秒のリファレンス音声で話者の声質を移せるものが主流になりました。ただしクローンには、本人の同意や肖像権・パブリシティ権、なりすまし防止といった配慮が常について回ります。多くのモデルが出力に電子透かしを埋め込むのは、こうした悪用を後から検知できるようにするためです。

そしてライセンスです。Apache 2.0やMITなら商用利用まで含めて扱いやすい一方、研究・非商用限定のライセンスや、商用には別途契約が必要なモデルもあります。収益化するコンテンツに使うのか、社内の試作にとどめるのかで、許される範囲が大きく異なります。最後に動作要件で、CPUで動く軽量モデルか、24GB以上のVRAMを前提にする大型モデルかによって、手元のマシンで現実的に回せるかが決まります。

主要オープンTTSの比較表

2026年6月時点で、公式リポジトリまたはHugging Faceのモデルカードを直接確認できたオープンウェイトのTTSを整理します。規模・形式、日本語対応、音声クローンの可否、ライセンス(商用可否)は各モデルの一次情報に基づきます。ライセンスは更新されることがあるため、導入前に必ず最新のモデルカードとLICENSEファイルを確認してください。

表に載せなかったモデルについて

候補に挙げていたいくつかは、本記事の比較表からは外しました。Parler-TTSはApache 2.0で商用利用しやすい一方、多言語版が対応するのが英語・フランス語・スペイン語などのヨーロッパ8言語にとどまり、2026年6月時点の公式情報では日本語を含みません。日本語ナレーションを軸にする本記事の趣旨から、表には入れていません。

Orpheus TTS(Canopy Labs)はApache 2.0でLlama-3bベースの実在モデルですが、多言語版は研究プレビューの位置づけで、日本語が正式対応言語として公式に確認できませんでした。IndexTTS-2(Bilibili)は学習データに日本語を含むものの、ライセンスが非商用で、商用利用には個別契約が必要です。いずれも実在は確認できますが、日本語対応・ライセンスの位置づけが本記事の主軸に合わないため、参考にとどめます。なお「Stable Audio」系は音楽・効果音の生成モデルであって発話合成のTTSではないため、本記事の対象外です。

用途別の選び方

日本語ナレーションを軽く回したいとき

記事の読み上げやAI動画生成のナレーション、プレゼン資料の音声化を、既製のボイスで手早く量産したい場合は、Kokoro-82Mが扱いやすい選択肢です。82Mと小さく、CPUでも動かせる軽さがあり、ライセンスはApache 2.0で商用利用まで含めて整理しやすい点が利点です。日本語はmisakiというG2Pライブラリを追加して有効化する形になるため、セットアップ時にこの依存関係を入れる前提で考えておくと迷いません。音声クローンは備えておらず、用意された54のボイスから選ぶ運用になります。固定ナレーターの声で安定して出せれば十分、という用途と相性がよいモデルです。

日本語で音声クローンをしたいとき

特定の話者の声を再現しつつ日本語を扱い、かつ商用利用も視野に入れるなら、Apache 2.0のCosyVoice2-0.5B・VoxCPM2・Qwen3-TTS、MITのOpenVoice V2・Chatterbox Multilingual V3が現実的な候補です。Qwen3-TTS（Alibaba、Apache 2.0）は日本語を含む10言語に対応し、Base系は3秒の参照音声からのクローン、VoiceDesign・CustomVoice系は記述や指示による制御に対応し、最初の音声パケットを即座に返すストリーミング生成を備えます。CosyVoice2-0.5Bは0.5Bと軽量でストリーミングにも対応し、日本語を含む9言語でクロスリンガルのゼロショットクローンができます。なおApache 2.0の後継CosyVoice3（Fun-CosyVoice3-0.5B-2512、9言語＋18方言）も2025年12月に公開・更新が確認でき、本記事では普及している安定版のCosyVoice2を比較対象としています。VoxCPM2は2Bと一回り大きく、48kHzの高音質出力と制御可能なクローンを備え、対応言語も30言語と広めです。音質を優先するならVoxCPM2、軽さと低遅延を優先するならCosyVoice2-0.5Bという住み分けになります。

Chatterbox Multilingual V3はResemble AIが公開している500MのMITライセンスモデルで、日本語を含む23言語に対応し、短い参照音声からのゼロショットクローンと表現力の高さが特徴です。出力にはPerTh（Perceptual Threshold）透かしが埋め込まれ、生成音声を後から検知できます。OpenVoice V2はMITで商用可、日本語をネイティブ対応言語に含み、音色だけを移す方式でクロスリンガルのクローンを行います。いずれも商用利用までライセンス上は扱える点が、研究・非商用限定のモデルとの大きな違いです。

英語中心で表現力を最優先したいとき

英語の台詞や感情表現を最重視するなら、MisoTTSが2026年6月に登場した8Bの大型モデルです。Sesame CSM系のアーキテクチャを採り、テキストに加えて直前の音声を文脈として与えることで話者のトーンに合わせた出力を狙えます。ライセンスは修正MITで、月間アクティブユーザー5,000万、または月間収益1,000万ドルといった大規模なしきい値を超えない限り、表示義務なく商用利用できると公式に説明されています。出力には標準でSilentCipherによる透かしが入ります。注意点として、2026年6月時点では英語のみの対応で日本語生成はできず、bfloat16で約24GB、float32なら40GB以上のVRAMを要する重量級です。公式が示す約110msという低遅延はH100でのAPI実績値で、手元の一般的なGPUでの推論はこれより遅くなります。日本語が不要で英語の表現力に振り切れる場面向けの選択肢です。

多言語かつ高い表現力を求める場合は、Fish Speech / OpenAudio S2やHiggs Audio v3も候補に挙がります。どちらも日本語を含む多言語に対応し、ゼロショットクローンと豊かな表現を備えますが、ライセンスの扱いが分かれ目です。後述するとおり、研究・非商用は無償でも、商用利用には別途契約が必要になる点を踏まえて選ぶことになります。

とにかく軽く、手元のマシンで動かしたいとき

GPUのVRAMが限られていたり、CPUで完結させたい場合は、Kokoro-82MやCosyVoice2-0.5Bのような小規模モデルが無理なく回ります（手元で動かしたモデルをローカルAPIサーバー化して社内アプリから呼ぶ構成とも、同じ要領で組み合わせられます）。逆にMisoTTS(8B)やHiggs Audio v3(約4B)、Fish Speech S2(約5B)は数十GBのVRAMやディスク容量を前提にするため、ハードウェアの確認が先になります。クローンが不要なら最軽量のKokoro、クローンが要るなら0.5BのCosyVoice2やOpenVoice V2あたりが、軽さとのバランスを取りやすい組み合わせです。

品質と測定で気をつけたいこと

TTSの品質を語るとき、測れる軸と測りにくい軸を混ぜないことが大切です。WERやCERといった指標は、生成音声を音声認識にかけて元のテキストとどれだけ一致するかを測るもので、読み間違いや欠落を定量化できます。これは比較的客観的に扱える軸です。一方で「声が自然か」「感情が伝わるか」といった印象は、MOS(平均オピニオン評点)のような主観評価に頼ることになり、評価者の母語・サンプルの選び方・比較対象によって値が動きます。同じモデルでも、英語話者が英語サンプルを評価した値と、日本語ナレーションでの体感は一致するとは限りません。

公式ページやベンチマークで示されるスコアは、多くがその提供元の条件下での結果です。TTS Arenaのような対戦型評価でも、投入されたサンプルや評価者層に依存します。数値を比べること自体は有用ですが、自分の原稿・話速・読ませたい感情で同じ結果が出る保証はありません。導入を決める前に、実際に使う種類のテキストで短いサンプルを生成し、手元で聞き比べる工程を挟むのが確実です。

デモ音声の印象を一般化しすぎないことも重要です。公開デモは、そのモデルが得意とする話速・文長・感情で作られていることが多く、長文の淡々とした読み上げや、専門用語の多い技術文章では挙動が変わります。日本語の場合は特に、固有名詞の読みやアクセント、英数字や記号の処理で差が出やすいため、自分の典型的な原稿で試すまでは「デモが良かったから本番も良い」とは決めない方が安全です。

ライセンスと商用利用の注意

オープンTTSは「重みが公開されている」ことと「自由に商用利用できる」ことが必ずしも一致しません。2026年6月時点で確認できた範囲でも、ライセンスは大きく三つに分かれます。

ひとつめは、商用利用まで明示的に許す系統です。Kokoro-82M、CosyVoice2-0.5B、VoxCPM2、Qwen3-TTSはApache 2.0、OpenVoice V2とChatterbox Multilingual V3はMITで、いずれも商用プロダクトへの組み込みや収益化コンテンツへの利用を検討しやすいライセンスです。MisoTTSは修正MITで、大規模なしきい値(月間アクティブユーザー5,000万または月間収益1,000万ドル)を超えた場合にのみ「Miso Labs」の表示が求められる形で、通常規模の利用では実質的に商用フリーに近い扱いです。

ふたつめは、研究・非商用に限定する系統です。F5-TTSは、公式が配布する事前学習済みチェックポイント（F5-TTS v1/Base系）がCC-BY-NC-4.0で、学習データの都合により非商用に限られます。XTTS v2はCoqui Public Model Licenseで非商用扱いとなり、加えてCoquiが2024年1月に事業を終了しているため、かつて存在した有償の商用ライセンスを購入する窓口も現状ありません。これらは研究や個人の試作には使えても、収益が発生するコンテンツに使うのは避けるべき位置づけです。

みっつめは、自己ホストの研究利用は無償でも、商用には別途契約を要する系統です。Fish Speech / OpenAudio S2は重み・コードともに独自のFish Audio Research Licenseで公開されており（MITやApacheのような標準OSSライセンスではありません）、研究・非商用は無償でも、実運用での商用利用には別途ライセンスが必要とされ、提供元への問い合わせ窓口が案内されています。Higgs Audio v3はBoson AIの研究・非商用ライセンスで、本番運用・ホスティングAPI・収益化用途には別契約が必要です。「オープンに見えるが商用には条件がある」典型で、ライセンス文書を最後まで読む前に本番投入しないことが肝心です。

とくに気をつけたいのが、非商用ライセンスのモデルで作った音声を、広告収益のある動画や有償コンテンツに使ってしまうケースです。出力された音声ファイル自体は手元にあっても、それを生み出したモデルのライセンスが収益利用を禁じていれば、規約違反になり得ます。さらに音声クローンを使う場合は、ライセンスとは別に、リファレンス音声の話者から同意を得ているか、肖像権やパブリシティ権に触れないかという論点が重なります。多くのモデルが電子透かし(MisoTTSのSilentCipher、ChatterboxのPerThなど)を標準で埋め込むのは、生成音声が後から識別できるようにするためで、透かしの除去を禁じる条項を置くモデルもあります。商用で使う前提なら、ライセンス区分・透かしの扱い・クローン元の権利の三点をそろえて確認しておくと、後戻りのコストを避けられます。

よくある質問

日本語のナレーションに使えるオープンTTSはどれですか

商用利用まで含めて扱いやすく日本語に対応するものとしては、Apache 2.0のCosyVoice2-0.5B・VoxCPM2・Qwen3-TTS、MITのOpenVoice V2・Chatterbox Multilingual V3が挙がります。既製ボイスで軽く読み上げたいだけならKokoro-82M(misakiライブラリで日本語を有効化)も選択肢です。逆にMisoTTSは2026年6月時点で英語のみのため、日本語ナレーションには向きません。

ローカルで動かせば、原稿が外部に出ることはありませんか

モデルの重みを手元で動かす推論そのものは、外部にデータを送らずに完結させられます。ただし、Web検索やクラウドの補助サービスを呼ぶ機能を組み込んだ場合は、その経路でデータが外部に渡ります。外部送信が起きるかは選んだモデルと実装の設計次第なので、「ローカル=必ず外に出ない」と一律に考えず、組み込む機能ごとに通信の有無を確認するのが安全です。

無償で配布されているモデルなら、収益化する動画に使ってよいですか

ライセンス区分によります。Apache 2.0やMITのモデルは商用利用が許可されています。一方、F5-TTSのCC-BY-NC-4.0やXTTS v2のCoqui Public Model Licenseは非商用で、収益化コンテンツへの利用は想定されていません。Fish Speech S2やHiggs Audio v3のように、自己ホストの研究利用は無償でも商用には別途契約が必要なものもあります。導入前に最新のLICENSEファイルを確認してください(本記事の区分は2026年6月時点)。

参考資料

• Qwen/Qwen3-TTS-12Hz-1.7B-Base(Hugging Face) — Alibabaの多言語TTS。Apache 2.0・日本語を含む10言語・Base系は3秒クローン、VoiceDesign/CustomVoice系は記述/指示制御・ストリーミング（派生: -Base / -VoiceDesign / -CustomVoice）
• hexgrad/Kokoro-82M(Hugging Face) — 82M軽量TTS。Apache 2.0・misaki経由の日本語対応・クローン非搭載
• FunAudioLLM/CosyVoice2-0.5B(Hugging Face) — Alibabaの0.5B多言語TTS。Apache 2.0・9言語(日本語含む)・ゼロショットクローン
• FunAudioLLM/Fun-CosyVoice3-0.5B-2512(Hugging Face) — 2025年12月公開の後継。Apache 2.0・9言語+18方言
• openbmb/VoxCPM2(Hugging Face) — OpenBMBの2B TTS。Apache 2.0・30言語(日本語含む)・48kHz・制御可能クローン
• myshell-ai/OpenVoiceV2(Hugging Face) — MyShellの音色変換型。MIT(商用可)・6言語ネイティブ(日本語含む)・クロスリンガルクローン
• ResembleAI/chatterbox(Hugging Face) — Chatterbox Multilingual V3。500M・MIT・23言語(日本語含む)・PerTh透かし
• MisoLabs/MisoTTS(Hugging Face) — Miso Labsの8B。修正MIT・英語のみ・SilentCipher透かし
• fishaudio/s2-pro(Hugging Face) — Fish Audio OpenAudio S2。Fish Audio Research License(研究・非商用は無償/商用は別契約)
• coqui/XTTS-v2(Hugging Face) — Coqui Public Model License(非商用)・17言語(日本語含む)。Coquiは2024年1月事業終了
• SWivid/F5-TTS(Hugging Face) — 事前学習済みチェックポイント(v1/Base系)がCC-BY-NC-4.0(非商用)
• bosonai/higgs-audio-v3-tts-4b(Hugging Face) — Boson AIの約4B。研究・非商用ライセンス(本番/ホスティング/収益化は別契約)