「s2-pro-GGUF」80言語対応の音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | ggml-org/s2-pro-GGUF |
| 公開元のまとめ | Fish Audio のモデルとライセンスのまとめ |
| 公開日 | 2026-11-18 |
| ライセンス | fish-audio-research-license |
| 配布形式 | GGUF |
| 出典の種類 | 公開元の一次情報(ggml-org公式リポジトリで一次情報確認) |
情報を集めた時点で、当サイトのコードが確定させた値です。日付はJSTで表示しています。
概要
ggml-org/s2-pro-GGUF は、テキストを入力すると音声が出力される text-to-speech モデル fishaudio/s2-pro を、GGUF 形式に変換したものです。ggml-org が自動変換して公開しており、llama-tts や llama serve の /tts エンドポイントで動かせます。以下の性能・仕様は、特に記載がない限り元モデル fishaudio/s2-pro のモデルカードに基づきます。
スペック
- 元モデル:
fishaudio/s2-pro(Fish Audio S2 Pro)。モデルカードは「10M+ 時間以上の音声データ、80以上の言語で学習」と述べています - アーキテクチャ: デコーダのみの Transformer と RVQ ベースの音声コーデック(10 codebooks、約21Hzのフレームレート)を組み合わせた Dual-Autoregressive(Dual-AR)構成です
- Slow AR(4B parameters): 時間軸方向に動作し、主となるセマンティックな codebook を予測します – Fast AR(400M parameters): 各時間ステップで残りの9個の residual codebook を生成し、細かな音響的ディテールを再構成します
- 学習手法: 強化学習によるアライメントを組み合わせているとされています
- 対応言語: 80以上
- Tier 1: 日本語(ja)、英語(en)、中国語(zh) – Tier 2: 韓国語、スペイン語、ポルトガル語、アラビア語、ロシア語、フランス語、ドイツ語 – そのほか sv, it, tr, no, nl など多数に対応するとされています
- インライン制御:
[tag]形式で自然言語の指示をテキスト中に埋め込めます。固定のタグ集合ではなく、[whisper in small voice]、[professional broadcast tone]、[pitch up]のような自由記述も受け付けます。よく使うタグには[pause]、[emphasis]、[laughing]、[whisper]、[sad]、[singing]などがあり、15,000以上の固有タグに対応するとされています - GGUF版の使い方の特徴:
- 話者タグ(
<|speaker:0|>など)で登場人物ごとに声を割り当てられます – ボイスクローンは--tts-speaker-fileに参照音声を指定し、必要に応じて--tts-speaker-textで書き起こしを渡します - ライセンスの条件: GGUF版のカードによると、研究および非商用は無料で、商用利用は制限されています。詳細はライセンス本文の確認が必要です
性能・品質
モデルカードに他モデルとの比較表やベンチマークスコアの記載はありません。以下は公開元(Fish Audio)が元モデルについて自ら述べている内容です。
- モデルカードは S2 Pro を「単語レベルで韻律や感情を細かく制御できる、先進的な TTS モデル」と位置づけています
- ストリーミング性能として、NVIDIA H200 1基で次の数値が挙げられています
- Real-Time Factor(RTF): 0.195 – 最初の音声が出るまでの時間: 約100 ms – スループット: RTF を0.5未満に保ったまま 3,000+ acoustic tokens/s
これらは SGLang ベースのストリーミング推論エンジンでの数値と読み取れます。GGUF版を llama-tts で動かした場合の速度や品質は資料に記載がなく、未確認です。
得意なこと・想定用途
以下は元モデル fishaudio/s2-pro のモデルカードの記述に基づきます。
- 感情や話し方を細かく指定する音声合成:
[laughing]、[whisper]、[sad]、[excited]、[pause]などのタグを、単語レベルでテキスト中に挟めます。カードによると[whisper in small voice]や[professional broadcast tone]のような自由記述も使えます。ナレーション、キャラクターのセリフ、対話音声など、抑揚の演出が要る用途に向きます。 - 複数話者の掛け合い: GGUF版では
<|speaker:0|>のような話者タグで、登場人物ごとに声を割り当てられます。 - 声のクローン:
--tts-speaker-fileに参照音声を渡して使えます。書き起こしがあれば--tts-speaker-textで添えられます。声質の再現度は資料に記載がなく、未確認です。 - 多言語の読み上げ: 80以上の言語に対応し、Tier 1 は日本語・英語・中国語です。日本語の読み上げを手元で試したい読者にとっても、対象言語に入っているのは朗報です。
今回の GGUF 版は、元モデルの重みを ggml-org が自動変換したものです。性能や得意分野を変えるための追加学習ではなく、llama.cpp 系のツールで動かせるようにしたものと読み取れます。
商用利用を考えている場合は注意してください。GGUF版のカードは、研究と非商用は無料で、商用利用は制限されると述べています。条件の詳細はライセンス本文を確認してください。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 4.6B(元モデル fishaudio/s2-pro の値)
| 手持ちのVRAM | 選べる量子化 | ファイルサイズ | 必要メモリの目安 |
|---|---|---|---|
| RTX 4060 / 3060 Ti など 8GB | Q8_0 | 4.0GB | 4.8GB |
| RTX 4070 / 3060 12GB など 12GB | BF16 | 7.5GB | 9.0GB |
必要メモリは配布ファイルの実サイズに実行時のオーバーヘッド(KVキャッシュ等)を20%見込んだ概算で、文脈長・バッチサイズ・推論エンジンによって増減します。公開元の公称値ではなく、当サイトがファイルサイズから機械的に算出した値です。 他のモデルとの比較はVRAM別の早見表を参照してください。 量子化の名前の読み方は用語集にあります。
手元で動かせるか
公開元の配布形式は GGUF です。
ライセンス fish-audio-research-license: 公開元の独自ライセンスです。商用利用の可否を含め、条件は公開元の原文を直接確認してください。
量子化の圧縮率: Q8_0 は実測 7.53 bit/weight で、元の16bitの重みの約47%のサイズです(配布ファイルの実サイズから当サイトが算出)。
配布形式とライセンス表記から当サイトのコードが組み立てた判定です。ライセンスの要約は法的助言ではないため、実際の利用にあたっては公開元の原文を確認してください。
当サイトでの実測
ライセンスの都合で行っていない実測
このモデルのライセンス(fish-audio-research-license)の商用利用の条件を、当サイトが満たしていることを確認できていません。広告を掲載している当サイトでは、ライセンスの都合上、モデルを動かす実測(CPU での実行・回答・量子化の比較・変換・生成)は行っていません。
配布ファイル
ggml-org/s2-pro-GGUF で配布されている重みファイルを、Hugging FaceのAPIから当サイトが並べたものです。サイズは実ファイルの値です。
| ファイル | サイズ |
|---|---|
mmproj-s2-pro-BF16.gguf |
2.05GB |
s2-pro-BF16.gguf |
8.07GB |
s2-pro-Q8_0.gguf |
4.29GB |
入手方法
- 配布形式: GGUF です。
gatedではないため、Hugging Face 上でライセンス同意を求められずに取得できます。ただし重みは Fish Audio Research License の下で公開されています。 - リポジトリ:
ggml-org/s2-pro-GGUF(元モデルはfishaudio/s2-pro) - 対応ツール:
llama.cppのllama-ttsとllama serveです。ComfyUI などほかのツールへの対応は資料に記載がありません。
ターミナルから実行する場合は、次のコマンドを使います。
llama-tts -hf ggml-org/s2-pro-GGUF -p "<|speaker:0|>Hello world [laughing]" --output out.wav
サーバーとして使う場合は、次のコマンドで起動し、/tts エンドポイントを呼び出します。
llama serve -hf ggml-org/s2-pro-GGUF
ボイスクローンの具体的な手順は、カードが案内する llama.cpp の TTS ドキュメント(Fish Audio S2 Pro の項)にまとまっています。
カードによると、この変換は https://github.com/ggml-org/convert により自動で行われています。量子化の種類ごとの品質差は資料に記載がありません。
関連記事
- 「VibeVoice-ASR-GGUF」音声認識・話者識別モデル:必要VRAM 8GB〜・配布ファイル一覧
- 「MiniMax-Music3-GGUF」フル尺楽曲の生成モデル:必要VRAM 12GB〜・配布ファイル一覧
- 「higgs-audio-v3-stt-GGUF」音声認識モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「Soprano-1.1-80M-GGUF」軽量英語音声合成モデル:配布ファイル一覧
次に読むなら
- GPUのVRAMから探す(このモデルは8GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- 入手できる形式と、表に出てくる Q8_0 の意味を知る → GGUF形式の解説と対応モデル / 量子化・モデル形式の用語集
- 公開元について調べる → Fish Audio のモデル・ライセンス・記事のまとめ
- 同じ用途の他のモデルを探す → 音声のモデル一覧

