Kokoro

Kokoroは極めて軽量な音声合成モデルで、82Mパラメータのみでありながらゼロショットボイスクローニングと中国語・英語・フランス語・日本語など9言語の合成をサポートします。完全オフラインでローカル動作し、ローカル音声アシスタントやオーディオブック生成（Audiblezと組み合わせてEPUBを数分でM4Bに変換）などに活用されます。わずか3行のPythonコードで基本合成を開始できます。

主な利点：モデルが極小で、CPU上でリアルタイム推論が可能、WebGPUでは40msという低遅延を実現。50種類のプリセット高自然音声を備え、聞き心地は自然。完全ローカル導入によりサーバーコストゼロ、プライバシー漏洩リスクなし、長期運用コストを削減。

ハードルと制約：基本的なPython環境とコマンドライン操作を要し、ノーコードGUIがなく、完全な初心者には不向き。複雑な感情表現や文脈ではCosyVoiceなどの大規模モデルに劣る場合がある。プリセット音声とゼロショットクローニングに機能が集中しており、カスタム音声のトレーニングは容易でない。

導入とコスト：完全オープンソースかつ無料。モデルファイルの初回ダウンロードは約330MB、ローカル実行でAPI使用料は一切不要。開発者、技術愛好家、プライバシー重視の個人ユーザー、低スペックハードウェアに最適。ワンクリック導入やコード不要を求める一般消費者、あるいは高い感情表現が求められる商業ナレーションには適さない。