KokoroでCPUだけで高品質TTSを実現、12年前のCPUでも動作

Local, CPU-Friendly, High-Quality TTS (Text-to-Speech) with Kokoro

わずか8200万パラメータのKokoroモデルを使い、CPUだけで高品質な音声合成を実現する方法を紹介。Docker/PodmanでKokoro-FastAPIコンテナを起動すれば、OpenAI互換のTTS APIをローカルで利用可能。Intel Core i7-4770K（12年前のCPU）でも4.7秒で音声生成できるなど、その性能を実測データで示す。プライバシーを保ちながら、ローカルLLMと組み合わせて音声で回答を楽しむこともできる。