ローカルで動かせる日本語TTSをいろいろ試す

スクラップで試してましたが溜まってきたのでTTSに関する部分を整理。

https://zenn.dev/megyo9/scraps/164aa5b73814d6

モチベーション

私の主観評価でしかないのですが、OpenAIのTTSは「日本語を喋れる外国人」という感が強いし声が若くない、大手パブクラのTTSはロボット感が強い。
にじボイスとかのサービスは素晴らしいけどお金がかかる（OpenAIやパブクラもだけど）。
VOICEVOXのような素晴らしいものもあるが、もうちょっと品質良いものが欲しい。

前提

• 自分が試している目的がAIアバター、ゲーム、アニメの制作を目的としているので、その目的に対して私の主観で評価してます。
• リアルタイム性は評価してません。

試したもの

TTS	確認時期	評価
Style-Bert-VITS2	2024/07/05	良い
Fish Speech	2025/02/19	良い
hexgrad/Kokoro-82M	2025/04/05	ダメ
OuteAI/Llama-OuteTTS-1.0-1B	2025/04/15	ダメ
2121-8/canary-tts-0.5b	2025/04/29	悪くはない
2121-8/japanese-parler-tts-mini	2025/04/29	ダメ
Respair/Tsukasa_Speech	2025/04/29	とても良い

Kimi-Audioも試したけどメモリが足りなくて動かせなかった。

環境構築方法

冒頭にあげたスクラップに書いています。
「Bert」とか「Fish」とかで検索してください。

生成結果

Zennには音声をあげれないのでTwitterにあげたものを参照。
GPT-4oで画像生成→FramePackで動画化して適当に映像つけてます。

Style-Bert-VITS2

そこそこの自然さで結構早く動くし、トレーニングもGUIで出来てとても簡単。
GitHubも日本語で親切。

Fish Speech

そこそこの自然さで動きます。
サンプル通りだと毎回ランダムで話者が選ばれるので、リファレンスをつけて動かします。
末っ子の声をリファレンスにしたら可愛すぎて悶絶しました。
ただ、Fish Audioを見ると明らかに無許可の音声がアップされているので嫌な気持ちになる。

Kokoro-82M

日本語はイマイチっぽいです。

Llama-OuteTTS-1.0-1B

日本語はイマイチっぽいです。

canary-tts-0.5b

サンプルプログラム通りに動かしたつもりだけど昔のアニメの音声みたいな音質。
嫌いじゃないんだけど。
sample_rateのパラメータをあげれば良いのかと思ったけど、あげたら早送りになった。

japanese-parler-tts-mini

Hugging Faceのサンプルを見る限りは話者を変えれそうなんだけど、
プロンプトを変えてもあまり変わらない。

Tsukasa_Speech

主にゲームやノベルからのデータらしいのでアニメ感が強い。
サンプルがそのままだと動かなかったり、いろいろ未整備感はあるけど遊べる。
発展を期待してます。

おわり

こんなのもあるよというのがあれば教えてくださいー。