「Kokoro-82M-GGUF」軽量な音声合成モデル:配布ファイル一覧

「Kokoro-82M-GGUF」軽量な音声合成モデル:配布ファイル一覧

基本情報

項目 内容
リポジトリ ggml-org/Kokoro-82M-GGUF
公開日 2026-11-18
ライセンス apache-2.0
配布形式 GGUF
出典の種類 公開元の一次情報(ggml-org公式のHuggingFaceリポジトリが一次情報)

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/Kokoro-82M-GGUF は、テキストから音声を生成するテキスト→音声(text-to-speech)モデル hexgrad/Kokoro-82M を GGUF 形式に変換したものです。ggml-org が公開しており、llama-tts コマンドや llama serve の /tts エンドポイントから使えるとカードに書かれています。

このリポジトリは自動変換されたものです(カードに https://github.com/ggml-org/convert による自動変換との注記があります)。以下の品質や特徴は、元モデル hexgrad/Kokoro-82M のカードに基づきます。

スペック

  • 元モデル: hexgrad/Kokoro-82M(元モデルのカードによると 82 million パラメータのオープンウェイトTTSモデル)
  • 配布形式: GGUF
  • 対応言語と音声: 元モデルのカードの Releases 表では v1.0(2025年1月27日公開)が「8 & 54」(8言語・54ボイス)と記載されています。ボイス一覧は元モデルの VOICES.md にあるとされています
  • 音声の選択: --tts-voice で、モデルに同梱されたボイスから1つを選びます。ボイス名の先頭1文字が言語を表します
  • a: アメリカ英語 – b: イギリス英語 – e: スペイン語 – f: フランス語 – h: ヒンディー語 – i: イタリア語 – p: ブラジルポルトガル語 – j: 日本語 – z: 中国語(Mandarin)
  • 入力の制約: テキスト入力は英語のみです。英語以外の言語では、プロンプトをあらかじめ音素(例: espeak-ng の出力)にしておく必要があるとされています
  • 学習データ(元モデルのカードより): 数百時間規模の音声です。学習コストは A100 80GB で1000時間分、約 $1000 とされています
  • ライセンスの条件: Apache-2.0 です。元モデルのカードは「Apache-licensed weights」により、本番環境から個人プロジェクトまでどこにでも配備できると説明し、商用APIを含む多数のプロジェクトで使われているとも述べています

サンプリングレート、推奨ステップ数、出力の長さの上限は、資料に記載がありません。

性能・品質

資料には、ベンチマークの数値や他モデルとの比較表はありません。元モデルのカードにも該当する表はなく、評価は別ファイル EVAL.md に置かれているとされています。

元モデルのカードは、Kokoro について「軽量なアーキテクチャでありながら、より大きなモデルに匹敵する品質を、大幅に高速かつ低コストで実現する」と述べています(原文: “comparable quality to larger models while being significantly faster and more cost-efficient")。これは公開元自身の主張であり、第三者による検証結果は資料に含まれていません。

作例は元モデルの SAMPLES.md とデモ(https://hf.co/spaces/hexgrad/Kokoro-TTS)で公開されているとされています。

得意なこと・想定用途

元モデル hexgrad/Kokoro-82M のカードは、Kokoro を軽量で高速、低コストなTTSモデルとして紹介しています。Apache-2.0 のウェイトで、本番環境から個人プロジェクトまで配備できるとされています。ローカルで音声合成を常駐させたい用途や、読み上げ処理を手元のサーバーに組み込む用途に向いていると考えられます。

用途や言語の面では、次の点が資料から読み取れます。

  • 多言語の読み上げ: ボイスは米英・英国英語、スペイン語、フランス語、ヒンディー語、イタリア語、ブラジルポルトガル語、日本語、中国語(Mandarin)の接頭辞で選べます
  • 英語のテキストをそのまま読み上げる用途: 英語以外はプロンプトを音素にしておく必要があります(例として espeak-ng が挙げられています)。日本語などを使う場合は、この前処理が必要です
  • サーバー用途: llama serve の /tts エンドポイントを使えます

このGGUF版は ggml-org による自動変換で、モデルを新たに調整したものではありません。元モデルから変えた点は、llama.cpp 系のツールで動かせる形式にしたことだけです。声のクローン機能については、資料に記載がありません。

動作環境

動作環境の目安(Local Model Watch 算出)

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
4GB(ノートPCの内蔵GPU・スマートフォンなど) F32 0.1GB 0.1GB

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。 表のファイルは F32(32bit)で配布されたものの実サイズです。BF16 や量子化など低い精度で読み込めば必要なメモリは小さくなるため、最低条件ではなく配布そのままの大きさとして読んでください。低い精度での値は当サイトでは測っていません。 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 apache-2.0(商用利用可): 商用利用を含めて自由に利用・改変・再配布できます。再配布時にライセンス文と変更点の告知が必要で、特許の許諾条項があります。

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。

配布ファイル

ggml-org/Kokoro-82M-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
Kokoro-82M-F32.gguf 62MB
mmproj-Kokoro-82M-F16.gguf 208MB

入手方法

配布形式は GGUF です。model_facts.gated は false で、ライセンス同意なしで入手できます。リポジトリは ggml-org/Kokoro-82M-GGUF です。

ターミナルから生成する場合は、次のコマンドをカードが示しています(-hf でリポジトリを指定します)。

llama-tts -hf ggml-org/Kokoro-82M-GGUF -p "Hello world" --tts-voice af_heart --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ます。

llama serve -hf ggml-org/Kokoro-82M-GGUF

--tts-voice には、モデルに同梱されたボイス名(上の例では af_heart)を指定します。詳細な使い方は、カードが参照している llama.cpp の Kokoro 向けドキュメント(下記出典)にあります。ComfyUI や Diffusers などの対応については、資料に記載がありません。

関連記事

次に読むなら

出典