Kokoroはあちこちで話題になります。Hacker Newsでトップになり、オープンなテキスト読み上げのランキングでも上位に入り、さらに「普通のCPUで動く8,200万パラメータのモデルが、有料の音声APIの代わりになるのか？」とクリエイターから繰り返し質問されます。そこで私たちは実際にインストールしてノートPCで動かし、下で再生できるサンプルを生成しました。この記事は実機での分解レビューです：Kokoroとは何か、実際の音質、時間を食った2つのセットアップ罠、そしてホスティング型ツールを選ぶべき場面を正直にまとめます。Source: github.com/hexgrad/kokoro（Apache-2.0）。
Kokoroとは？ 誰が作ったの？
Kokoroは、hexgradがKokoro-82Mとして公開した、オープンウェイトのテキスト読み上げモデルです。見出しは名前の通り：8,200万パラメータ — 2026年基準では小さく、スマホでも動くサイズなのに、自然で表現力のあるナレーションを生成します。StyleTTS 2系譜の上に構築され、寛容なApache-2.0ライセンスで公開されているため、商用利用でも本当に無料です。
2026-07-11時点で、メインリポジトリ hexgrad/kokoro はGitHubスター約7,900。私たちはコミュニティ製のONNXランタイム thewh1teagle/kokoro-onnx（約2,600スター、MIT）で動かしました。PyTorchを入れずにCPUで動かす最も簡単な方法です。
実際のweightsファイルを確認すると、9つの言語・アクセントグループにまたがる54種類の内蔵音声が入っていました。アメリカ英語・イギリス英語、スペイン語、フランス語、ヒンディー語、イタリア語、日本語、ブラジルポルトガル語、標準中国語です。アメリカ英語の音声が最も洗練されています。
実際に動かしてみた（Apple M3 Pro、CPUのみ）
GPUなし、クラウドなし — M3 Pro搭載のMacBook Proと18 GB RAMだけで検証しました。正直な手順レポートです。
インストールとweights
Pythonパッケージは数秒で入ります：pip install kokoro-onnx soundfile。しかしここが最初の罠 — pipパッケージに入っているのはコードで、モデル本体ではありません。kokoro-onnxのGitHub Releasesページから、次の2ファイルを手動でダウンロードする必要があります：kokoro-v1.0.onnx（310 MB）とvoices-v1.0.bin（27 MB）。クイックスタートではここがさらっと流されているため、weightsを取るまでは初回実行が「ファイルがない」というエラーで失敗します。
espeak-ngのパスバグ（本当に時間を溶かしたやつ）
Kokoroはespeak-ngでテキストを音素に変換します。最初の合成で、私たちはこれに当たりました：
Error processing file '/Users/runner/work/espeakng-loader/.../espeak-ng-data/phontab': No such file or directory/Users/runner/work/ というパスは決定的な手がかりです。pipのespeakng-loaderホイールは、CIでビルド時にハードコードされたデータパスを持つlibespeak-ngを同梱しており、そのパスがあなたのマシンには存在しません。厄介なのは、環境変数ESPEAK_DATA_PATHを設定しても何も起きないことです。kokoro-onnx側がそれを読まず、同梱ローダーからデータパスをそのまま取ってしまうからです。
効いた解決策： システムに正規のespeak-ngを入れて、KokoroのEspeakConfigで明示的に参照させます：
brew install espeak-ng # macOS; apt install espeak-ng on Linux
from kokoro_onnx import Kokoro, EspeakConfig
cfg = EspeakConfig(
lib_path="/opt/homebrew/lib/libespeak-ng.dylib",
data_path="/opt/homebrew/share/espeak-ng-data",
)
k = Kokoro("kokoro-v1.0.onnx", "voices-v1.0.bin", espeak_config=cfg)これで生成は普通に動きます。まさにこのphontab: No such fileエラーと戦ったことがあるなら、これが解決策です。
速度（実測、ウォーム）
CPUのみでも、モデルのロードは約1.7 秒で、合成は余裕で実時間より速いです。22秒のナレーション段落が3.5 秒でレンダリングされました。実時間係数は0.16×程度で、再生の約6倍速です。短い1文なら1〜2秒で返ってきます。ノートPC上でこの小ささのモデルとしては、十分に本番運用できるスループットです。以下が、その段落レンダリングの実際の波形です：
生成サンプル（未編集）
下のクリップはすべて、上で説明したM3 ProのCPU上で私たちがKokoroで生成したものです — モデルの生出力で、クリーンアップも後処理もしていません。再生して、品質を自分の耳で確かめてください。
VisionStoryがkokoro-onnx経由でKokoro-82Mを使って生成、2026-07-11。分かりやすいポイントに注目：これはクリーンな音声トラックですが、あくまで「音声」だけです。顔も、口の動きも、画面上のプレゼンターもありません。このギャップこそが、次のセクションの主題です。
正直な評価：強みと、現実的な限界
本当に驚いた点：
- バイトあたりの品質がすごい。 8,200万パラメータで、アメリカ英語の音声は自然で表現力があります — 短いクリップなら、多くの人は有料TTSと気づかないレベルです。
- CPUで本当に速く動く。 GPUなしのノートPCで実時間の6倍というのが売りで、誇張ではありません。
- 本当に無料で、商用にも優しい。 文字課金なしのApache-2.0。大量のナレーション用途では、このコスト構造は強力です。
弱いところ（しかも本当に現実的）：
- 音声クローンは不可。 54種類の固定プリセットのみ。自分の声やクライアントの声をクローンできません — その用途ならKokoroは行き止まりです。
- 英語の品質はespeak-ng依存で、つまり上のパッケージング不具合に加え、名前・ブランド・略語の読み間違いが時々起きます。
- 長文は手動で分割が必要。 呼び出しごとに音素長の上限があるため、長い原稿は自分で分割して、音声をつなぐ必要があります。
- 非英語の音声は当たり外れがある — 主力のアメリカ英語セットより明らかにばらつきます。
- 出力は素のWAV。 単語タイムスタンプも、ビザームもありません — そのままではリップシンクを駆動できません。
- 音声のみ。 顔も動画もありません。話すプレゼンターにするには、別のリップシンク／アバターシステムと組み合わせ、タイミングも自分で調整する必要があります。
セルフホストKokoro vs ホスト型ツール：どちらを選ぶべき？
Kokoroとホスト型アバターツールは、問題の別々の半分を解きます。Kokoroが提供するのは音声、VisionStoryのようなツールが提供するのは話すプレゼンター — 音声・顔・リップシンクを1つの出力で得られます。正直なトレードオフはこうです。
| Kokoro（セルフホスト） | VisionStory（ホスト） | |
|---|---|---|
| コスト | 無料（自前のハードウェア） | サブスクリプション / クレジット |
| セットアップ | pip + 330 MBのweights + espeak-ng修正 | 不要 — ブラウザで動作 |
| 得られるもの | 音声トラックのみ（WAV） | トーキングアバター動画（音声 + 顔 + リップシンク） |
| 音声クローン | なし — 54プリセット | あり — 自分の声をクローン |
| クリップあたりの速度 | CPUで実時間の~0.16×（数秒） | 数秒（ホスト型）— ローカル計算不要 |
| 商用利用 | 可（Apache-2.0） | 可（プランに準拠） |
| メンテナンス | espeakや依存関係、分割処理を自分で対応 | 不要 |
| おすすめの場面 | 無料の音声トラックだけ欲しくて、コードを書ける | 完成したトーキング動画を、速く作りたい |
Kokoroを選ぶべきなのは、無料のナレーションが必要で、Pythonに慣れていて、顔とリップシンクは別途（または顔が不要）で自分で処理できる場合です。ホスト型ツールを選ぶべきなのは、リップシンクするプレゼンターに音声を紐づけたい場合、または特定の人物の声をクローンしたい場合です — Kokoroはどちらもできません。
Kokoroから分かったこと
Kokoroを動かして得た本質的な学びは、音声がコモディティ化しているということです。ノートPC上の82 MBモデルが、実務に十分なナレーションを無料で作れてしまう時代です。もし製品の売りが「テキスト読み上げができます」だけなら、その堀はもうありません。
難しくて、まだ完全には解けていないのは、音声の後のすべてです。音声トラックを「本当に話している顔」に変えること — 正確なリップシンク、表情、頭の動き、そして一貫したタイミング。私たちが取り組んでいるのは、まさにこのレイヤーです。だから結論は「Kokoroを使うな」ではありません — Kokoroは正真正銘、優秀な音声エンジンです。ただ、音声だけでは動画の半分にすぎません。残りの半分が必要なら、VisionStoryは写真とスクリプトから、リップシンクしたトーキングプレゼンターを1ステップで作れます。さらに、合わせたい特定の声がある場合はそれもクローンできます。