AIニュース

Phonon TTSがオフライン読み上げを公開|無料の条件と注意点

自分のパソコンやスマホの中だけで文章を音声に変えるAI読み上げを、オフラインで無料から試せる選択肢が広がっています。Hugging Faceのブログでは2026年11月5日に、端末上で動く小型の音声合成モデル「Phonon」を解説した記事が公開されました。書いた原稿やテキスト教材を手元で音声にしたい個人に関係する内容です。

要点

  • Phononは端末の上で動くtext-to-speech(文章を音声に変える技術。TTS)の小型モデルで、サーバーもネットワークも使わない
  • モデルは約65MBと約75MBの2サイズで、合わせて英語・フランス語・ドイツ語・スペイン語・ポルトガル語を話す
  • Phonon 31mはApache 2.0で商用製品でも自由に使える。ほかのモデルはCC BY-NCで非商用のプロジェクトなら無料
  • Hugging FaceのOpen TTS Leaderboardの明瞭度では、ドイツ語とスペイン語で1位、評価した全言語で上位3位に入った
  • 内蔵ボイスは100種類以上あり、Gradium Studioで自分用のボイスも作れる

何が発表されたか

出典の記事は、Phononを公開してから2週間の時点での振り返りとして書かれています。多くの音声AIはクラウドにあり、一文ごとにサーバーまで往復します。Phononは代わりに自分の端末で動き、入力したテキストはその端末に留まり、ネットワークがなくても声が出ます。Phononは4月に発表され、その後の6か月をパートナーや初期ユーザーと一緒に作り込んだと説明されています。

公開されたモデルは約65MBと約75MBの2サイズです。2つのサイズを合わせて英語・フランス語・ドイツ語・スペイン語・ポルトガル語の5言語を話し、内蔵ボイスは100以上あります。電話番号や日付、コードのように、ほかのTTSがつまずきやすい要素も扱うとしています。動く場所はスマートフォン、ノートPC、シングルボードコンピューター、そしてブラウザーのタブです。公開から2週間でダウンロードは20万回を超えました。

ライセンスは2段構えです。英語を話すPhonon 31mはApache 2.0で、商用製品を含めて自由に使えます。5言語すべてに対応するPhonon 40mは非商用ライセンスです。CC BY-NCのモデルで商用のものを作る場合、価格は生成した音声の量ではなくユーザー数にもとづくと書かれています。

技術面では、PhononはPocket TTSの系譜に属し、音声の生成にflow matchingを使います。これはほかのTTSの手法とは大きく異なり、小さなモデルでこの品質を出せた理由である一方、学習には新しい課題も生みました。当初は数値的に不安定で、5言語すべてで品質を出すにはいくつかの工夫が必要だったとのことです。

Hugging FaceチームがTransformersへの統合を作ったため、開発者は初日からTransformersでPhononを使えました。Transformersではv5.21から、リファレンスのPyTorch実装として利用できます。推論用にはpttsという新しいフレームワークが用意され、CPU(Intel・Arm・WebAssembly)、GPU(CUDA・Vulkan・Metal・WebGPU)、NPU(Apple Core ML・Snapdragon)を含む10以上のバックエンドに対応します。デモとしては、Wi-Fiを切ったApple Watchがコーヒーの淹れ方を一手順ずつ読み上げる例や、電波のないiPhoneで筋トレの回数を数える例が挙げられています。

ベンチマークでの位置づけ

Open TTS LeaderboardはHugging Faceの新しいプロジェクトで、Hub上の9,000を超えるTTSモデルを1か所で比べて聴き比べられるようにするものです。23言語で、明瞭度(出力の単語誤り率)、速度(逆リアルタイム係数と最初の音が出るまでの時間)、自然さ(英語はUTMOS、韓国語はKOMOS)を評価します。固定ボイスとボイスクローンの両方が対象で、後者には話者類似度の指標が加わります。

その明瞭度で、Phononはドイツ語とスペイン語で1位、評価した全言語で上位3位に入り、最大100倍の大きさのモデルと並びました。速度では、CPUストリーミングのベンチマークで最初の音が出るまでの時間が最上位だとしています。

個人の仕事や学びにどう使えるか

ライターや編集の仕事では、書き上げた原稿を自分のPCで音声にして、通勤の電車で聞き直す流れが作れます。音声を作る作業そのものが端末のなかで終わるので、電波の弱い場所でも手順が止まりません。耳で聞くと、文のつながりや言い回しの重さに気づきやすくなります。

動画を作る人には、ナレーションの下書きづくりに向きます。内蔵ボイスが100以上あるため、企画段階で声の雰囲気を変えながら仮のナレーションを当てられます。電話番号や日付、コードを扱える点は、製品紹介や手順説明のように数字が多い原稿で効いてきます。

語学や資格の学び直しでは、テキスト教材を音声に変えて、机に向かわない時間の復習に回せます。ただし2つのサイズを合わせて話せるのは5言語なので、英語の教材や海外向けの原稿が中心になります。クラウド型の読み上げと違って原稿をサーバーに送らずに済む点は、未公開の企画書を扱う営業や、研修資料を扱う人事の担当者にも向いた性質です。

会社・チームで使うときのポイント

端末だけで完結することは、社外に出しにくいテキストを音声化するときの利点になります。一方でライセンスは分かれており、商用に使えるのは英語のPhonon 31m、5言語すべてに対応するPhonon 40mは非商用という整理です。CC BY-NCのモデルで商用のものを作る場合は価格がユーザー数にもとづくため、誰がどこまで使うのかを先に決めておくと見積もりがぶれません。法人での導入や研修の設計まで含めて相談したい場合は、株式会社デジライズに相談できます。

使う前の注意点

  • 言語: 2つのサイズを合わせて話せるのは英語・フランス語・ドイツ語・スペイン語・ポルトガル語です。Phonon 31mは英語を話し、Phonon 40mが5言語すべてに対応します。出典では、韓国語・アラビア語・日本語が必要なら学習できるとし、設計パートナーとのカスタムモデルの文脈で触れられています。
  • ライセンス: Phonon 31mはApache 2.0、Phonon 40mは非商用ライセンスです。自分の用途が商用かどうかで選ぶモデルが変わります。
  • ボイス: 短い録音から話者の同意を得てクローンする、またはGradium Studioで文章で新しい声を記述する、と説明されています。他人の声を使うときは同意が前提です。作ったボイスファイルをダウンロードしてPhononに読み込ませれば、端末上で完全に動きます。
  • 環境: Transformersはv5.21から利用できます。pttsは10以上のバックエンドに対応しますが、手元の端末のCPUやGPU、NPUが対象に含まれるかは事前に確かめておきたい点です。
  • 使い始める前に、公式のヘルプやモデルのページで最新の提供範囲とライセンスの条件を確かめておくと安心です。

まとめ

Phononは、サーバーに送らずに端末のなかだけで文章を音声にする小型のTTSで、Open TTS Leaderboardの明瞭度ではドイツ語とスペイン語で1位、速度ではCPUストリーミングの最初の音までの時間で最上位とされています。無料で使える範囲はライセンスで決まるので、商用かどうかを最初に確認してから選ぶのが近道です。音声やナレーションの作り方を順を追って学ぶなら、デジライズAIスクールのコース一覧にある「PR・広告動画と音声を作る」のような講座から入ると、手順をまとめて追えます。

出典


この記事は、各社の公式の発表をもとに AI で下書きし、出典の本文との照合とGoogle 検索による事実確認(ファクトチェック)を通ったものだけを公開しています。

AI読み上げをオフラインで無料|Phonon TTS解説 | デジライズAIスクール