ハクソク

世界を動かす技術を、日本語で。

Show HN: 新しい「Kitten TTS」モデル3種 - 最小サイズは25MB未満

45日前原文(github.com)

概要

  • Kitten TTSは超軽量・高品質なテキスト読み上げ（TTS）ライブラリ
  • ONNXベースでCPUのみで動作、GPU不要
  • 15M～80Mパラメータの3種類の新モデルをリリース
  • 8種類の音声、速度調整や前処理機能を搭載
  • 商用サポートやカスタム音声開発にも対応

Kitten TTS v0.8 概要

  • Kitten TTSはオープンソースの軽量TTSライブラリ
  • ONNX上に構築され、エッジデバイスやローカル環境での利用を想定
  • 15M, 40M, 80Mパラメータの3モデルを新たに公開
  • ディスク容量25～80MBで動作、CPUのみで高品質な音声合成が可能
  • 開発者プレビュー段階、API仕様は今後変更の可能性あり

主な特徴

  • 超軽量設計：モデルサイズ25MB（int8）～80MB、エッジデプロイ向け
  • CPU最適化：GPU不要、ONNX推論で高速動作
  • 8種類の内蔵音声：Bella, Jasper, Luna, Bruno, Rosie, Hugo, Kiki, Leo
  • 速度調整：speedパラメータで再生速度を変更可能
  • テキスト前処理：数値・通貨・単位などの自動展開
  • 高音質出力：24kHzサンプルレートでクリアな音声生成

利用可能なモデル一覧

  • kitten-tts-mini：80Mパラメータ, 80MB
  • kitten-tts-micro：40Mパラメータ, 41MB
  • kitten-tts-nano：15Mパラメータ, 56MB
  • kitten-tts-nano (int8)：15Mパラメータ, 25MB（不具合報告あり）

デモ・オンライン体験

  • Hugging Face Spacesでブラウザ上からデモ利用可能
  • サンプル動画・音声も公開

クイックスタート

  • Python 3.8以降が必要

  • インストール：

    • pip install https://github.com/KittenML/KittenTTS/releases/download/0.8.1/kittentts-0.8.1-py3-none-any.whl

  • 基本的な使い方：

    • from kittentts import KittenTTS
    • model = KittenTTS("KittenML/kitten-tts-mini-0.8")
    • audio = model.generate("この高品質TTSモデルはGPU不要で動作します。", voice="Jasper")
    • import soundfile as sf
    • sf.write("output.wav", audio, 24000)

  • 応用例：

    • 速度調整：speed=1.2などで再生速度を変更
    • ファイルへ直接保存：model.generate_to_file("こんにちは", "output.wav", voice="Bruno", speed=0.9)
    • 利用可能な音声一覧：model.available_voices

APIリファレンス

  • KittenTTS(model_name, cache_dir=None)

    • Hugging Face Hubからモデルをロード
    • model_name：リポジトリID
    • cache_dir：キャッシュ保存先

  • model.generate(text, voice, speed, clean_text)

    • テキストから音声を生成（NumPy配列、24kHz）
    • パラメータ：text, voice, speed, clean_text（前処理有無）

  • model.generate_to_file(text, output_path, voice, speed, sample_rate, clean_text)

    • 音声ファイルとして直接保存
    • パラメータ：text, output_path, voice, speed, sample_rate, clean_text

  • model.available_voices

    • 利用可能な音声名リストを返却

システム要件

  • 対応OS：Linux, macOS, Windows
  • Python 3.8以上
  • CPU動作：GPU不要
  • ディスク容量：モデルにより25～80MB
  • 仮想環境推奨（依存関係の競合回避）

今後のロードマップ

  • 推論エンジンの最適化
  • モバイルSDKのリリース
  • より高品質なTTSモデルの公開
  • 多言語TTSへの対応
  • KittenASR（音声認識）リリース予定

商用サポート・コミュニティ

  • 商用利用支援、カスタム音声開発、エンタープライズライセンス提供
  • 問い合わせ：info@stellonlabs.com
  • コミュニティ：Discord、公式サイト（kittenml.com）、GitHub Issues

ライセンス

  • Apache License 2.0で公開

Kitten TTS 開発背景・ビジョン

  • Kitten TTSはオンデバイスAI向けの極小・高表現力TTSモデル群
  • Raspberry Pi、低価格スマートフォン、ウェアラブル、ブラウザ等で動作
  • GPU不要でどこでも使えることを重視
  • 14Mパラメータモデルは同規模で最高水準の表現力を実現
  • モデルの多くはint8+fp16量子化、ONNXランタイム利用
  • オンデバイス・クラウド間のギャップ解消を目指す
  • 近く多言語モデルも公開予定
  • 小型で実用的なAIモデルの不足が現状の課題
  • 今後もオープンソースで高性能モデルを提供し、完全オンデバイスの音声エージェントやアプリ開発を支援
  • フィードバック歓迎

Hackerたちの意見

OpenClawのいいところは、GitHubのURLだけでDiscordにメッセージを送ったら、数分で音声メッセージを送ってくれたことだね。いろんなベンチマークやサンプル音声もくれたし、サイズに対してクオリティが高いのに驚いてる。声はあんまり好きじゃないけど、悪くはないよ。Intelの9700 CPUで動かしてるけど、80Mモデルを使うとリアルタイムの1.5倍くらいの速度だね。ただ、3080 GPUで動かしても速くはならなかったけど。
└
そうだね、もっとプロっぽい声を追加するし、DIYのカスタムボイスもサポートするよ。表現力を見せるために、アニメやカートゥーンっぽい声も入れようとしたんだ。3080 GPUでの動作について、GitHubのイシューやDiscord、メールで詳しく教えてもらえる？それだとめっちゃ速いはずだよ。GPUでモデルを動かす例も追加するね。
└
それはいい使い道だね。メールとか不安定なものには繋がない方がいいよね。でも、「これを試してデモを展開する」ためのサンドボックスとしては面白いかも。考えさせられた！
リリースした4つのモデルを比較する例を入れた方がいいよ。同じテキストをそれぞれのモデルで話させてみて。
└
いいアイデアだね、追加するよ。その間に、ここで私たちのHugging Faceのデモでモデルを試してみてね: https://huggingface.co/spaces/KittenML/KittenTTS-Demo
最近は良い小型のTTSモデルがたくさん出てるね。でも、ほとんどがプロソディに苦労してるみたい。例えばKokoro TTSはすごく良いノルウェー語の声があるけど、リズムや強調がめちゃくちゃで、生成された音声がほとんど理解できないことが多い。まだこのモデルをチェックする時間がなかったけど、ここではどうなの？声の部分はある程度解決した今、プロソディを改善するために何が必要かな？
└
それと、別の言語のフレーズの中に英語の単語を使うと、すごく混乱するみたい。
└
小型モデルは容量が限られてるからプロソディに苦労するんだ。このバージョンは前のよりずっと良くて、他の<25MBモデルの中では一番だよ。Kokoroはサイズに対して本当に良いモデルで、人工分析でも競争力があると思う。次のリリースまでには、Kokoroのクオリティでサイズは5分の1くらいのものができるはず。リズムのコントロールを追加するのもかなり重要そうだし、他の言語でもそれを考え始めるべきだね。
example.pyファイルには「どのGPUでもめっちゃ速く動く」と書いてあるけど、「この例はCPUで動く」とも書いてある。リポジトリのどこにもGPUで動かす方法が見当たらなかったんだけど。
└
フィードバックありがとう。GPUでの実行例を追加するね。
すごい！よくやったね。音声アシスタントの仕事をたくさんしてるんだけど、もしQwen3-TTSの音声クローンをこの小さいサイズに再現できたら、絶対に伝説になるよ！
└
ありがとう！私たちの音声クローンモデルは5月に出る予定だよ。15Mでの音声クローンの面白い方法を試してるけど、500Mまでのモデルも用意するつもり。
これのAndroidアプリは、内蔵のTTSを置き換えられるのかな？
└
うん、私たちのモバイルSDKがもうすぐ（2週間後）出るから、内蔵版を置き換えられるはずだよ。どんなTTSの使い方を考えてるか教えてくれる？
以前リリースしたモデルセットからの改善がすごく明確だね。ほんとに感動したよ。シェアしてくれてありがとう。
└
ありがとう！そうだね、これらのモデルは前回のリリースよりずっと良いよ。今の15Mモデルは前の80Mモデルよりも優れていて、今後もこの改善のペースが続くと思ってる。
いいね！あなたのチームはSTTの問題にも興味あるの？
└
そうだね、もう取り組み始めてるよ。すぐにいろんなSTTモデルが出る予定だから、もし何かプロダクトの使い道があったら教えてね！
漫画の声みたいだね…でも、すごく好きだよ。その声で本を聴くのもいいかも。
わぁ、すごい偉業だね。おめでとう！