2026年 秋 · 静かの基地より
月面スタジオへ ↗
ゲーム開発

AI 読み上げを無料で商用利用:Kokoro TTS とボイスクローン

商用利用できる無料の音声読み上げ AI、Kokoro TTS と Chatterbox。GPU なしで日本語・英語のゲーム音声とボイスクローンを試しました。

月面基地のバーで、ノートパソコンからオレンジ色の音波がグラスを拭くロボットのバーテンダーへ流れ、ヘッドホンをつけた宇宙飛行士がバースツールに座って親指を立てている
月面基地のバーで、ノートパソコンからオレンジ色の音波がグラスを拭くロボットのバーテンダーへ流れ、ヘッドホンをつけた宇宙飛行士がバースツールに座って親指を立てている

このサイトのトップページは月面基地です。terryl.in を開くと、Three.js で作った 3D のミニゲームが始まります。宇宙飛行士を操作して基地の中を歩き回ったり、宇宙服を着てエアロックから月面に出たり、バーでオリジナルカクテルを頼んだりできます。ブログ「月面基地ログ」は、この基地ができあがるまでの記録です。

基地のバーには、アーサーというロボットのバーテンダーがいます。映画『パッセンジャー』(2016)に登場するアンドロイドのバーテンダー、アーサーへのオマージュです。映画と同じく穏やかでとても礼儀正しく、無表情で話します。セリフの一部も映画のセリフをアレンジしたものなので、観たことがある人ならピンとくるはずです。なぜずっとグラスを拭いているのかと聞くと、「グラスを拭いていなければ、会話をしなければなりません」と答えます。ただ、これまでのところ、こうしたセリフは会話ウィンドウの文字でしかありませんでした。

前回は Stable Audio 3 Small SFX で月面基地の効果音を作りました。今回はキャラクターに声をつけます。以前はゲームキャラクターに声をつけるなら、声優に頼むか、ElevenLabs のような文字数課金のクラウド AI 読み上げサービスを使うしかありませんでした。今はオープンソースで無料、しかも商用利用できる TTS(音声合成)モデルがいくつもあり、自分のパソコンにダウンロードすればすぐに使えます。使うたびにお金がかかることもなく、ElevenLabs に代わる無料の選択肢にもなります。

この記事では、いま使う価値のあるオープンソース TTS モデルを比較します。グラフィックボードのないノート PC に Kokoro TTS と Chatterbox TTS をインストールして、アーサーのセリフを英語と日本語で実際に読ませ、無料のボイスクローンも試しました。セリフごとに声が変わらず、キャラクターの声を保てるようにするためです。

おすすめのオープンソース TTS:商用利用できる AI 音声読み上げを比較

まず結論から。ライセンスを確認して、商用利用できると確かめたものがこちらです。

モデル

パラメータ数

ライセンス

ボイスクローン

対応言語

ハードウェア

Kokoro-82M

8,200 万

Apache 2.0

不可、内蔵の 54 ボイスから選ぶ

8 言語(日本語あり)

CPU で動く

Chatterbox-Nano

1.1 億

MIT

可

英語のみ

CPU で動く

Chatterbox-Turbo

3.5 億

MIT

可

英語のみ

CPU で動くが遅め

Chatterbox(オリジナル、Multilingual V3、中国語版)

5 億

MIT

可

Multilingual V3 は 23 言語(日本語あり)

CPU で動くがかなり遅い

Step Audio EditX

約 30 億

Apache 2.0

可

中国語に強い

NVIDIA の GPU が必要

Qwen3-TTS(0.6B、1.7B)

6 億、17 億

Apache 2.0

可、3 秒の参照音声

10 言語(日本語あり)

0.6B は CPU で動くが、クローンはかなり遅い

ざっくり言うと:

  • 速くて軽く、ノート PC で使いたい:Kokoro。
  • ボイスクローンでキャラクターの声をそろえたい:Chatterbox。英語なら Nano、日本語なら Multilingual V3。
  • NVIDIA の GPU があり、細かく作り込みたい:Qwen3-TTS。一文のテキストで声を「デザイン」でき、口調の指示で感情もコントロールできます。
  • 高性能な GPU があり、最高の音質と感情表現がほしい:Step Audio EditX。

Step Audio EditX は NVIDIA の GPU が必要で、私のノート PC にはないため、この記事では試していません。Qwen3-TTS は一番小さい 0.6B を試しました。CPU でも動いたので、結果は後半に載せています。

この記事では、まず全体像を紹介します。今後、Kokoro、Chatterbox、Qwen3-TTS、Step Audio EditX、そして VoiceStudio について、モデルごとに個別の記事を書く予定です。

人間がブラインドで聞き比べて評価するランキング(Speech Arena など)では、上位はいまも ElevenLabs のようなクローズドなサービスが占めていて、オープンソースのモデルはまだトップ 10 に入っていません。ただ、ゲームには必ずしも最高の音質が必要なわけではありません。NPC のセリフ、チュートリアルの AI ナレーション、開発中の仮ボイスなら、オープンソースのモデルで十分です。

もうひとつの選択肢:Qwen3-TTS

Qwen3-TTS は、アリババの Qwen(通義千問)チームが 2026 年 1 月にオープンソース化した TTS シリーズです。ライセンスは Apache 2.0 で、商用利用できます。0.6B と 1.7B の 2 サイズがあり、それぞれ用途の違う版に分かれています。

  • Base:ボイスクローン。参照音声は 3 秒あれば足ります。
  • CustomVoice:内蔵ボイスが 9 種類。北京なまりと四川なまりの男性ボイスもあります。1.7B 版は「特に怒った口調で話して」のような指示で口調も変えられます。
  • VoiceDesign(1.7B):テキストの説明から声をデザインします。たとえば「17 歳の男の子、テノール、話すうちにだんだん自信が出てくる」。

対応言語は中国語、英語、日本語、韓国語、ドイツ語、フランス語、ロシア語、ポルトガル語、スペイン語、イタリア語の 10 言語です。公式の評価では、中国語の発音の正確さと声の類似度で ElevenLabs を上回ったとしていますが、これは開発元自身が行ったテストです。

ゲームのボイスに使うなら、いちばん実用的なのは先に声をデザインしてからクローンするやり方です。まず VoiceDesign にキャラクターの声をテキストで説明してセリフを 1 つ作り、それを参照音声にして、以降のセリフはすべて Base でクローンします。こうすれば声がぶれません。この記事で Kokoro と Chatterbox を組み合わせたやり方とよく似ています。

インストールは pip install -U qwen-tts です。公式のサンプルはどれも NVIDIA の GPU で bfloat16 と FlashAttention 2 を使って動かしていて、必要な VRAM の量や、CPU だけで動くかどうかは書かれていません。

同じノート PC の CPU で 0.6B を試しました。

  • 内蔵ボイス(CustomVoice):約 6 秒のセリフの生成に約 31 秒。
  • ボイスクローン(Base):4~5 秒のセリフに 4 分以上。Chatterbox の中国語ファインチューン版の 3 倍の時間がかかりました。

どの TTS でも同じですが、読みが複数ある語、固有名詞、外来語は、実際に聞いて確かめてから使いましょう。

GPU がない場合は、Qwen3-TTS は内蔵ボイスを使うほうが向いています。ボイスクローンで大量のセリフを作るなら、やはり NVIDIA の GPU がほしいところです。

オープンソースに見えて、商用利用できないもの

モデル選びで一番はまりやすいのがライセンスです。Hugging Face で重みが公開されていても、それでお金を稼いでいいとは限りません。

  • Coqui XTTS v2:多言語対応でボイスクローンもでき、一時期とても人気でしたが、ライセンスは Coqui Public Model License で、非商用に限られます。
  • Fish Audio S2 Pro:重みは公開されていますが、商用利用には Fish Audio から別途ライセンスを買う必要があります。
  • 一部の研究用モデル:CC BY-NC ライセンス(NC は非商用に限るという意味)。

ダウンロードする前に、必ずモデルページの License 欄を確認し、本文まで読んでください。

Kokoro TTS とは?日本語は使える?商用利用は?

Kokoro-82M は、パラメータ数わずか 8,200 万の TTS モデルで、2025 年 1 月にバージョン 1.0 が公開されました。CPU で動くほど小さいのに、音質は同クラスの小型モデルの中でトップクラスです。そのため、多くの商用 API やプロジェクトで使われています。

  • ライセンス:Apache 2.0。商用利用でき、自分の製品に組み込むこともできます。
  • 学習データ:公式によると、パブリックドメインの録音、Apache または MIT ライセンスの録音、大手のクローズドな TTS による合成音声だけを使っていて、他人の声をクローンした音声は使っていません。
  • ボイス:内蔵ボイスは 54 種類で、英語(アメリカ英語、イギリス英語)、日本語、中国語、スペイン語、フランス語、ヒンディー語、イタリア語、ブラジルポルトガル語の 8 言語に対応しています。
  • 制限:ボイスクローンはできず、内蔵ボイスから選ぶしかありません。

日本語にも対応しているので、アーサーの日本語には男性ボイスの jm_kumo を使いました。結果は後半の日本語の実測で聞けます。

ひとつ注意があります。公式によると、ドメイン名に「kokoro」が入っているサイトはこのモデルとは無関係です。そうしたサイトでお金を払ったりダウンロードしたりしないでください。

Chatterbox TTS とは?日本語に対応している?商用利用は?

Chatterbox は、音声 AI 企業の Resemble AI がオープンソース化した TTS シリーズです。最大の特徴はボイスクローンで、5~10 秒の人の声を渡すと、その声で新しいセリフを読み上げます。オリジナル版は感情表現の強さを調整でき、Turbo 版はセリフの中に [laugh]、[chuckle]、[cough] のような笑い声や咳のタグを入れられます。

  • ライセンス:MIT。商用利用できます。
  • 透かし:生成した音声にはすべて Resemble の Perth 透かしが埋め込まれています。耳では聞こえませんが、mp3 に変換したり編集したりしても残るので、検出ツールで AI が生成した音声かどうかを見分けられます。
  • メンテナンス終了:Resemble AI は 2026 年 8 月、Chatterbox を「終了した研究プロジェクト」とし、今後は更新しないと発表しました。会社はディープフェイク検出に軸足を移しています。コードと重みは MIT ライセンスのまま残っているので、ダウンロードも商用利用もできますが、新しいバージョンやサポートはありません。

最後の点は、かえってオープンソースのモデルの良さを表しています。重みを自分のパソコンにダウンロードしておけば、サービスが終わっても困りません。 クラウドの音声サービスが値上げしたり終了したりすると、ゲームのボイスはもう修正できません。オープンソースのモデルならハードディスクに残っているので、10 年後でも同じ声でセリフを追加できます。

Chatterbox にはいくつも版があり、最初は混乱しがちです。

版

パラメータ数

言語

特徴

Chatterbox(オリジナル)

5 億

英語

感情の強さ(exaggeration)を調整できる

Multilingual V3

5 億

23 言語(中国語、日本語、韓国語を含む)

1 つのモデルで多言語

中国語ファインチューン版(zh-cmn)

5 億

中国語

中国語向けに調整

Turbo

3.5 億

英語

速め、笑い声や咳のタグに対応、参照音声が必須

Nano

1.1 億

英語

最小最速。公式によると 8 コアの CPU でリアルタイムの 3 倍の速さ

必要なパソコン:GPU なしでも動く?

私のノート PC は Intel Core Ultra 5(6 コア)で、内蔵グラフィックスしかないので、実質 CPU だけで動かしています。下の表は、セリフ 1 つの生成にかかった実測時間です。セリフの長さはそれぞれ約 4~6 秒で、毎回モデルを読み込む時間も含んでいます。

モデル

セリフ 1 つにかかる時間

Kokoro(英語)

約 9 秒

Kokoro(中国語)

約 13 秒

Chatterbox-Nano(クローン)

約 15~20 秒

Chatterbox-Turbo(クローン)

約 40 秒

Chatterbox オリジナル

約 60 秒

Chatterbox 中国語ファインチューン版(クローン)

約 80 秒

Qwen3-TTS 0.6B(内蔵ボイス)

約 31 秒

Qwen3-TTS 0.6B(クローン)

約 4 分

Kokoro と Chatterbox Nano はノート PC でも十分実用的で、セリフを 1 つ直して聞き直すのに十数秒待つだけです。Chatterbox の 5 億パラメータの版は CPU だと 1 つに 1~2 分かかるので、セリフをまとめて並べておき、バックグラウンドでゆっくり生成させるのに向いています。NVIDIA の GPU があればずっと速くなります。

ディスク容量は、それぞれのツールの Python 環境(CPU 版 PyTorch を含む)が約 1.5 GB ずつ。モデルファイルは別にダウンロードされ、Kokoro はとても小さく、Chatterbox は版ごとに約 1~3 GB です。

Kokoro TTS のインストール方法(CPU 版、日本語対応)

システムの Python に入れず、uv で専用の Python 環境を作るのがおすすめです。Kokoro は Python 3.10~3.12 に対応しています。

mkdir kokoro && cd kokoro
uv venv --python 3.11 && source .venv/bin/activate
uv pip install kokoro "misaki[ja]" soundfile
python -m unidic download

misaki[ja] は日本語の発音を処理するためのもので、英語だけなら入れなくてもかまいません。日本語ではさらに、約 775 MB の UniDic という形態素解析の辞書が必要で、python -m unidic download でダウンロードします。英語の発音には espeak-ng を使いますが、pip パッケージに含まれているので別途インストールは不要です。

日本語のセリフを 1 つ生成します。

import numpy as np, soundfile as sf
from kokoro import KPipeline

pipe = KPipeline(lang_code="j")  # j 日本語、a アメリカ英語、b イギリス英語、z 中国語
audio = np.concatenate([np.asarray(r.audio) for r in pipe("バーテンダーは秘密を守るものです。", voice="jm_kumo")])
sf.write("arthur.wav", audio, 24000)

ボイス名の 1 文字目は言語、2 文字目は性別です。jm_kumo は日本語の男性ボイス、bf_emma はイギリス英語の女性ボイスです。全ボイスの一覧は公式の VOICES.md にあります。初回の実行時に Hugging Face からモデルが自動でダウンロードされます。

Chatterbox TTS のインストール方法:PyPI の旧版ではなく GitHub 版を入れる

ここが私が一番はまったところです。多くの解説どおりに pip install chatterbox-tts を実行すると、PyPI の 0.1.7 が入ります。この版の多言語モデルは古い V2 です。アーサーの中国語のセリフ(2 文)を読ませたところ、3 秒ちょっとで読み終わったのに、そのあとに十数秒の間と変な音が続きました。

Multilingual V3、Nano、中国語ファインチューン版があるのは GitHub の最新版だけなので、GitHub から直接インストールします。

mkdir chatterbox && cd chatterbox
uv venv --python 3.11 && source .venv/bin/activate
uv pip install "chatterbox-tts @ git+https://github.com/resemble-ai/chatterbox" "setuptools<81"

最後の setuptools<81 も省けません。透かしのパッケージ Perth がまだ古い pkg_resources を使っているのに、新しい setuptools ではそれが削除されているからです。バージョンを固定しないと、実行した瞬間にエラーになります。

Nano でボイスクローン:

import torchaudio
from chatterbox.tts_turbo import ChatterboxTurboTTS

model = ChatterboxTurboTTS.from_pretrained(device="cpu", nano=True)
wav = model.generate("A bartender keeps confidence.", audio_prompt_path="arthur-ref.wav")
torchaudio.save("arthur.wav", wav, model.sr)

arthur-ref.wav がクローンしたい参照音声です。中国語ファインチューン版はファイル形式が本体と少し違うので、ファイルを読み込むコードを少し直す必要があります。こういう細かい作業は Claude Code や Codex に任せるのがぴったりです。

Claude Code や Codex にインストールを任せる

バージョンの問題を自分で片づけたくなければ、ターミナルで Claude Code か Codex を起動して、こう入力します。

~/tools に Kokoro-82M(日本語対応)と Chatterbox(GitHub から最新版を入れて、Nano と Multilingual V3 を使えるように)をインストールして。PyTorch は CPU 版で、どのフォルダからでも呼び出せるコマンドをそれぞれ作って

私もこうやってインストールしました。途中で出た PyPI の版が古い問題、setuptools の互換性の問題、中国語ファインチューン版の読み込み失敗は、どれも AI アシスタントが自分で原因を見つけて直してくれました。~/tools に入れておくと、どのプロジェクトからも共有できるので、ゲームごとにインストールする必要がありません。

ボイスクローンとは?無料のオープンソースでやる方法

ボイスクローン(voice cloning)とは、ある人の声をモデルに渡して、その声で新しいセリフを読ませることです。Chatterbox ならボイスクローンは無料で、やり方も簡単。参照音声と読ませたいセリフを用意するだけです。結果は参照音声の質で決まります。

  • 長さは 5~10 秒。5 秒より短いとエラーになります。
  • 話しているのは 1 人だけで、BGM や雑音がないこと。
  • キャラクターに合った話し方:話す速さや感情まで一緒に学習します。ゆっくり淡々と話すキャラクターにしたいなら、参照音声もそういう話し方にします。
  • できればセリフと同じ言語:英語の参照音声で別の言語を読ませると、少し英語なまりが出ます。

声の出どころは重要です。モデルが商用利用できても、誰の声でもコピーしていいわけではありません。

  • 自分で録った声:問題ありません。
  • 声優や友人が録った声:ゲームで使う前に本人の同意を得て、できれば書面で残しましょう。
  • 映画やゲームのキャラクター、有名人の声:だめです。似ているだけでも肖像権やパブリシティ権などの問題があります。

私はもうひとつのやり方も使っています。Kokoro でセリフを 1 つ生成して、それをキャラクターの元の声にする方法です。Kokoro は Apache 2.0 なので、生成した音声は自由に使えます。つまり先にキャラクターの声を「デザイン」してから、Chatterbox にほかのセリフを読ませて感情をのせるわけです。

実測:ロボットのバーテンダー、アーサーに声をつける

アーサーの英語の声には、Kokoro の bm_george を選びました。落ち着いたイギリス英語のアクセントで、礼儀正しい執事タイプのロボットに聞こえます。話す速さは 0.95 に下げています。

映画でアーサーを演じたのはマイケル・シーンですが、ここではあえて彼の声をまねていません。使っているのは Kokoro の内蔵ボイスで、クローン元も Kokoro が生成した声です。これが前の章で書いた「声の出どころは重要」ということです。

以下の音声はどれもモデルが出力したそのままで、前後の無音をカットして音量をそろえただけです。

Kokoro:内蔵ボイスをそのまま使う

Kokoro bm_george:「If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.」
Kokoro bm_george:「A bartender keeps confidence. It's the sacred trust of the craft.」

Chatterbox:Kokoro の声をクローンする

参照音声は、上の Kokoro bm_george の 1 つ目のセリフ(約 6 秒)です。

Chatterbox-Nano で bm_george をクローン:「You can't get so hung up on where you'd rather be that you forget to make the most of where you are.」
Chatterbox-Nano で bm_george をクローン:「A bartender keeps confidence. It's the sacred trust of the craft.」

比較用に、Chatterbox オリジナル版の内蔵ボイスも載せておきます。クローンなしで、感情の強さは 0.3 に下げています。

Chatterbox オリジナル版の内蔵ボイス:「If I didn't wipe the glass, I'd have to make conversation. And then guests feel awkward.」

気づいたこと:

  • Kokoro は毎回同じ結果:同じセリフ、同じボイスなら、何回生成しても同じなので、テイクを選ぶ必要がありません。雰囲気を変えたいときはボイスか速さを変えます。
  • Chatterbox は毎回違う結果:同じセリフでも seed を変えると口調やリズムが変わるので、いくつか生成してから選びます。
  • クローンで声がそろう:参照音声は 1 つだけでも、クローンしたセリフはどれも同じキャラクターの声になり、毎回ボイスを選び直す必要がありません。
  • クローン版は読むのが速め:同じセリフでも、Nano のクローン版は Kokoro の元の声より 10~20% 短くなりました。ゆっくり話させたいなら、もっとゆっくり読んだ録音を参照音声にします。

日本語で試してみる

ここからは日本語です。読ませたのは、月面基地のゲームでアーサーが話すセリフの日本語訳 2 つです。3 つのモデルで同じセリフを生成しました。

  • Kokoro:日本語の男性ボイス jm_kumo。
  • Chatterbox Multilingual V3:上の英語の bm_george を参照音声にしてクローン。参照音声とセリフの言語が違うので cfg_weight を 0 にしています。これは参照音声とセリフの言語が違うときの公式の推奨設定で、英語なまりが出るのを防げます。
  • Qwen3-TTS 0.6B:内蔵ボイスの Ryan。
Kokoro(jm_kumo):「グラスを拭いていなければ、会話をしなければなりません。そうするとお客様は気まずくなるのです。」
Kokoro(jm_kumo):「バーテンダーは秘密を守るものです。それがこの仕事の神聖な信頼なのです。」
Chatterbox Multilingual V3(bm_george をクローン):「グラスを拭いていなければ、会話をしなければなりません。そうするとお客様は気まずくなるのです。」
Chatterbox Multilingual V3(bm_george をクローン):「バーテンダーは秘密を守るものです。それがこの仕事の神聖な信頼なのです。」
Qwen3-TTS 0.6B(Ryan):「グラスを拭いていなければ、会話をしなければなりません。そうするとお客様は気まずくなるのです。」
Qwen3-TTS 0.6B(Ryan):「バーテンダーは秘密を守るものです。それがこの仕事の神聖な信頼なのです。」

実測の記録:

  • 音声認識で読み間違いをチェック:どの音声も Whisper(音声認識)で文字に戻し、元のセリフと照らし合わせました。
  • Chatterbox は 1 回だけ生成し直し:2 つ目のセリフを最初に生成したとき、「バーテンダー」の「バ」が「パ」に聞こえ、読み間違いの可能性がありました。seed を変えて生成し直したら正しく読めたので、載せているのは生成し直した版です。ほかに読み間違いは見つかりませんでした。
  • 速さ:モデルを 1 回だけ読み込んで続けて生成すると、Chatterbox Multilingual V3 は 1 つ約 30 秒、Qwen3-TTS 0.6B は約 20~30 秒、Kokoro は数秒でした(同じ CPU だけのノート PC)。前の表は毎回モデルを読み込む時間を含むので、まとめて生成するときはこちらのほうが実態に近い数字です。

AI ボイスのプロンプトの書き方:Claude Code や Codex に任せる

TTS に入力するのはセリフそのものです。効果音の生成のように、ほしい音をプロンプトで説明するわけではありません。とはいえ、ボイス選び、クローン、結果のチェックには決まった流れがあるので、AI コーディングアシスタントのグローバル設定に書いておくのが便利です。Claude Code の設定ファイルは ~/.claude/CLAUDE.md、Codex は ~/.codex/AGENTS.md です。あとは「アーサーのこの 3 つのセリフに声をつけて」と言うだけで、このルールどおりに動いてくれます。

## ローカルの TTS でゲームキャラクターに声をつける

ボイスを頼んだら、ローカルの Kokoro と Chatterbox を使い、次のルールに従うこと:

- キャラクターごとに声を 1 つに固定する。新しいキャラクターは Kokoro で内蔵ボイスを選び、5~10 秒のセリフを 1 つ生成して参照音声として保存し、以降はそれでクローンする。
- 感情や笑い声が不要なセリフはそのまま Kokoro で。感情、笑い声([laugh]、[chuckle])が必要なとき、または参照音声と声をそろえたいときは Chatterbox でクローンする:英語は Nano か Turbo、日本語は Multilingual V3(参照音声とセリフの言語が違うときは cfg_weight を 0 に)。
- 読みが複数ある語、固有名詞、外来語は、実際に聞いて確かめてから使う。
- セリフ 1 つにファイル 1 つ。ファイル名は「キャラクター-言語-番号」。
- Chatterbox はセリフごとに 3 つの違う seed で 1 回ずつ生成し、ファイル名とセリフを一覧にして選ばせる。
- 生成後に長さをチェックする:セリフに対して明らかに長すぎる音声は余計に読んでいるので、seed を変えてやり直す。
- 本人の同意を得ていると私が言わない限り、実在の人の声はクローンしない。
- Web ページやゲームに入れるときは、前後の無音をカットし、短いフェードアウトをつけ、ラウドネスをそろえて mp3 に変換する。

セリフに表情を足す:Turbo の笑い声タグ

Chatterbox-Turbo では、セリフの中に直接タグを入れられます。たとえば [chuckle] は軽い笑い、[laugh] は大笑い、[cough] は咳です。

Can I keep a secret? [chuckle] A bartender keeps confidence. It's the sacred trust of the craft.
Chatterbox-Turbo で bm_george をクローン、セリフの途中に [chuckle] を入れたもの

オープンソース TTS の限界

ひととおり使ってみて、先に伝えておきたい点がいくつかあります。

  • GPU がないなら気長に:Kokoro と Chatterbox Nano は速いですが、ほかの Chatterbox の版は CPU だとセリフ 1 つに 1~2 分かかります。
  • 英語以外は聞いて確かめる:今回の日本語でも、Chatterbox が「バ」を「パ」と読んだ疑いのあるテイクが 1 つありました。読みが複数ある語、固有名詞、外来語は、実際に聞いてから使いましょう。おかしければ seed を変えて生成し直せば直ることがあります。
  • 正しい版を選ぶ:Chatterbox の PyPI 版は古すぎますし、Chatterbox はもうメンテナンスされていないので、直らない問題もあります。
  • 感情は参照音声とパラメータ次第:モデルはストーリーを理解しないので、このセリフが冗談なのか怒っているのかを自分では判断できません。興奮したセリフにしたいなら、興奮した口調の参照音声を用意するか、感情の強さを上げます。
  • 仕上がりは必ずチェック:余計に読む、言葉が抜ける、冒頭に雑音が入るといったことは起こりえます。効果音のチェックと同じく、Claude Code や Codex にサブエージェント(subagent)を別に立ててもらい、独立してチェックさせるのがおすすめです。まず音声認識で音声を文字に戻し、元のセリフと照らし合わせて、違っていれば生成し直します。

個人開発者にとって最大のメリット:開発初期からボイスを入れられる

前回紹介した効果音ツールと同じく、オープンソース TTS の一番の価値は開発の初期からゲームにボイスを入れられることだと思います。

開発の初期は、シナリオがしょっちゅう変わります。声優に録ってもらったあとでセリフを変えると、録り直しになります。ローカルの TTS なら、セリフを直して生成し直すだけで十数秒、追加の費用もかかりません。シナリオが固まってから、声優に録り直してもらうかどうかを決めればいいのです。

その時点では、セリフの長さ、会話ウィンドウの表示時間、キャラクターの口の動きやモーションの長さが、すでにボイスに合わせて調整されています。声優の録音に差し替えるときは、同じ名前の音声ファイルを置き換えるだけです。

もうひとつのメリットは多言語に対応できることです。月面基地のサイトは 15 言語あります。15 言語ぶん声優に録ってもらうのは現実的ではありませんが、Kokoro は 8 言語、Chatterbox Multilingual V3 は 23 言語に対応しているので、少なくとも主な言語には先にボイスを用意できます。

よくある質問

Kokoro TTS は日本語に対応している?

対応しています。この記事でも日本語の男性ボイス jm_kumo でアーサーのセリフを読ませ、音声認識で照らし合わせても読み間違いは見つかりませんでした。日本語で使うには misaki[ja] を入れ、さらに約 775 MB の UniDic 辞書を python -m unidic download でダウンロードしておく必要があります。

Chatterbox TTS は日本語に対応している?

Multilingual V3 が日本語に対応しています(オリジナル、Turbo、Nano は英語のみ)。英語の参照音声でクローンする場合は、cfg_weight を 0 にすると英語なまりを防げます。PyPI の旧版は文末で余計に読んでしまうので、GitHub からインストールしてください。

無料のボイスクローンは商用利用できる?

Chatterbox は MIT ライセンスなので、モデルは商用利用できます。ただし、クローンする声を使う権利もあなたが持っている必要があります。たとえば自分の声、本人の同意を得た声、この記事のように Kokoro で生成した声などです。また、出力にはすべて Perth 透かしが入っています。

ElevenLabs に代わる無料のツールはある?

用途がゲームのセリフ、ナレーション、チュートリアル動画のボイスなら、Kokoro と Chatterbox は無料で商用利用でき、自分のパソコンで動くオープンソースの代替になります。音質や感情表現はまだ ElevenLabs に及びませんが、文字数で課金されることはなく、値上げやサービス終了の心配もありません。

GPU なしでオープンソース TTS は動く?

動きます。Kokoro と Chatterbox Nano なら、ノート PC の CPU でもセリフ 1 つ十数秒で生成できます。Chatterbox の 5 億パラメータの版は 1 つに 1~2 分かかるので、バックグラウンドでまとめて生成させましょう。

まとめ:ノート PC 1 台でゲームキャラクターに声をつける

インディーゲームを作るうえで、ボイスは一番ぜいたくな部分だと思っていました。声優に頼むのは高く、クラウドの TTS は文字数課金なので、セリフが多いと費用がかさみます。Kokoro と Chatterbox は、そのハードルを「ノート PC 1 台、セリフ 1 つ、十数秒」まで下げてくれました。商用利用でき、モデルは自分のパソコンにあるので、サービスが終わる心配もありません。

次は、アーサーのボイスをゲームに入れて、会話ウィンドウが出たときに本当にしゃべるようにします。

この記事はオープンソース TTS の全体像でした。このあと Kokoro、Chatterbox、Qwen3-TTS、Step Audio EditX、VoiceStudio を 1 本ずつ取り上げ、インストール方法、パラメータ設定、さらに多くの実測結果を紹介します。

あなたはゲームキャラクターの声をどうしていますか?Threads や X で私の投稿を見つけて、気軽にコメントしてください。