「Soprano-1.1-80M-GGUF」軽量英語音声合成モデル:配布ファイル一覧

基本情報
| 項目 | 内容 |
|---|---|
| リポジトリ | ggml-org/Soprano-1.1-80M-GGUF |
| 公開日 | 2026-11-16 |
| 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公式リポジトリの自動変換版) |
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
テキストを入力として受け取り、音声を合成して出力するオープンウェイトの軽量Text-to-Speech(TTS)モデル「Soprano-1.1-80M」のGGUF形式版「ggml-org/Soprano-1.1-80M-GGUF」が公開されました。
本モデルは、ekwek氏が開発した「ekwek/Soprano-1.1-80M」をベースとして、ggml-orgの自動変換ツールを用いてGGUF形式に変換された派生モデルです。端末上で高速かつ表現力豊かな音声合成を行うことを目指して設計されています。llama.cppエコシステムに対応しており、コマンドラインツールの llama-tts や、サーバー機能である llama serve の /tts エンドポイントから直接呼び出して音声生成を行うことが可能です。
スペック
公開資料およびベースモデルのモデルカードから確認できるスペックや仕様は以下の通りです。
- パラメータ数: 80M(約8000万パラメータ)
- ベースモデルのアーキテクチャ: Qwen3ForCausalLM(モデルタイプ: qwen3)
- 入力形式: テキスト(英数字をあらかじめ言葉に直した正規化テキストが推奨されます)
- 出力形式: 音声(wav形式など)
- 出力の仕様: 単一の固定音声(fixed voice)による出力となります。音声クローン機能には非対応です
- 対応言語: 英語のみ(English only)
- 配布形式: GGUF形式(元モデルはsafetensors形式で公開されています)
- ライセンス条件: Apache-2.0ライセンス(商用利用や改変、再配布などが認められているオープンソースライセンスです)
- 開発・変換元: 元モデルはekwek氏、GGUF版はggml-orgにより自動変換スクリプトを用いて作成されました
性能・品質
本モデルの品質やベンチマーク数値に関する情報は、ベースモデルである「ekwek/Soprano-1.1-80M」のモデルカードにて公開されています。GGUF版固有のベンチマーク結果は記載されていませんが、元モデルに関して以下の性能データおよび品質特性が報告されています。
初代バージョンにあたる「Soprano-80M」との比較において、Soprano-1.1-80Mは幻覚(ハルシネーション)を95%削減したとされています。また、ユーザーによるブラインドテストなどの比較において、旧バージョンに対して63%の選好率(preference rate)を獲得したと報告されています。
生成速度とレイテンシに関しても、開発元から極めて高い処理性能が公表されています。
- GPU環境における生成速度: 十分な長さの入力を与えた場合、実時間の最大2000倍(2000x real-time)の速度で音声生成が可能とされています
- CPU環境における生成速度: 実時間の20倍(20x real-time)の音声生成が可能です
- ストリーミング時の遅延: 15ミリ秒未満(<15 ms)のレイテンシで音声をストリーミング再生できるとされています
一方で、モデルカードには品質に関する制限事項や注意点も明記されています。本モデルの学習に使用された音声データ量は約1,000時間分にとどまり、一般的な大規模TTSモデルと比較して約100分の1のデータ規模となっています。そのため、一般的でない英単語については誤った発音をしてしまう場合があると説明されています。
さらに、数字や一部の特殊記号についても発音を誤ることがあるため、最良の出力を得るためには「1+1」を「one plus one」のように文字へ展開した形式でテキストを入力することが推奨されています。文の長さとしては、生成される音声が1文あたり2秒から15秒の範囲に収まる長さで入力した際に最も安定した品質が得られるとされています。
得意なこと・想定用途
「Soprano-1.1-80M」は、オンデバイス環境において極めて高速かつ低遅延に英語音声を合成することに特化したモデルです。ベースモデルは80M(約8000万)というコンパクトなパラメータ数でありながら、表現力豊かで高忠実度な音声合成を目指して開発されています。
本モデルの具体的な想定用途や得意とする場面は以下の通りです。
- ローカル環境やエッジ端末でのリアルタイム音声対話: ストリーミング時に15ミリ秒未満という極めて短いレイテンシで再生が開始できるため、ローカルで動作するAIアシスタントの応答音声や、リアルタイム性が求められる対話型インターフェースへの組み込みに適しています。
- 端末上での高速な英文読み上げ: GPU環境で実時間の最大2000倍、CPU環境でも実時間の20倍という高速な推論が可能なため、長い文章のバッチ変換や、端末のリソース消費を最小限に抑えたいバックグラウンドでの読み上げ処理に向いています。
- llama.cppエコシステムとの統合運用: 今回公開されたGGUF版により、C/C++ベースの軽量なランタイム環境であるllama.cppを通じて、外部の大型フレームワークに依存せず単体コマンドや軽量HTTPサーバーから手軽に音声合成機能を利用できます。
一方で、想定用途を検討する際には以下の特性や制約に留意する必要があります。
- 音声の種類は単一の固定音声(fixed voice)に限定されており、特定の話者の声を再現する音声クローン機能には対応していません。
- 対応言語は英語のみです。多言語の合成には対応していません。
- 最適な品質を得るためには、1文あたりの長さが2秒から15秒程度に収まるようにテキストを区切ることが推奨されています。また、数字や記号は「1+1」を「one plus one」と記述するような事前のテキスト正規化を行うことで、誤発音を防ぎやすくなります。短縮形を使わないなどの文法的な不備や不必要なスペースの連続を避けることも推奨されています。
動作環境
動作環境の目安(Local Model Watch 算出) — パラメータ数 80M(元モデル ekwek/Soprano-1.1-80M 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 |
|---|---|---|---|
| 4GB(ノートPCの内蔵GPU・スマートフォンなど) | F32 | 0.3GB | 0.4GB |
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。
同クラスの既報モデル
当サイトが最近取り上げた、パラメータ数 〜4B のモデルを、比較のために記事ログからコードが並べたものです。VRAM階層は当サイトの概算、ライセンスはモデルカードの記載です。
→ 横にスクロールできます
| モデル | パラメータ数 | 最小のVRAM階層 | ライセンス | 記事 |
|---|---|---|---|---|
| autotrust/TTS-V3 | 1.9B | 8GB | component-specific-terms | 「TTS-V3」電話対話特化の音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(2026-11-17) |
| autotrust/TTS-V4 | 1.9B | 8GB | other | 「TTS-V4」中国語音声合成モデル:必要VRAM 8GB〜・配布ファイル一覧(2026-11-17) |
| phasefield-audio/Irodori-TTS-v4.1-Anime | 766M | 4GB | mit | 「Irodori-TTS-v4.1-Anime」アニメ風音声対応の音声合成モデル:当サイトの生成音声・配布ファイル一覧(2026-09-07) |
配布ファイル
ggml-org/Soprano-1.1-80M-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-Soprano-1.1-80M-F16.gguf |
61MB |
Soprano-1.1-80M-F32.gguf |
319MB |
Soprano-1.1-80M-Q8_0.gguf |
85MB |
入手方法
本モデルはGGUF形式で配布されており、Hugging Faceのリポジトリから入手できます。gatedモデルではないため、事前の利用申請や同意手続きを行わずにダウンロードが可能です。
- リポジトリ: ggml-org/Soprano-1.1-80M-GGUF
- 配布形式: GGUF
llama.cppのツール群を利用することで、ターミナルからの直接実行やサーバーとしての起動が可能です。モデルカードに記載されている実行手順は以下の通りです。
ターミナルからの直接実行
llama-tts コマンドを使用することで、Hugging Faceのリポジトリを直接指定して音声ファイルを生成できます。
llama-tts -hf ggml-org/Soprano-1.1-80M-GGUF -p "Hello world" --output out.wav
サーバーとしての起動
llama serve コマンドを用いてサーバーを起動し、/tts エンドポイント経由で音声合成を呼び出すことができます。
llama serve -hf ggml-org/Soprano-1.1-80M-GGUF
本モデルは ggml-org/convert を用いて自動変換されたものです。llama.cppにおけるTTS機能の詳しいドキュメントや最新の利用方法については、llama.cpp TTS documentation で確認できます。
また、変換元のオリジナルモデルは以下のリポジトリで公開されています。
- ベースモデル: ekwek/Soprano-1.1-80M
関連記事
- 「higgs-audio-v3-stt-GGUF」音声認識モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「chatterbox-turbo-GGUF」1ステップ生成で低遅延な英語音声合成モデル:必要VRAM 4GB〜
- 「chatterbox-GGUF」23言語対応の多言語音声合成モデル:必要VRAM 4GB〜・配布ファイル一覧
- 「Voxtral-Mini-4B-Realtime-2602-GGUF」音声認識モデル:必要VRAM 4GB〜
次に読むなら
- GPUのVRAMから探す(このモデルは4GBの階層から動きます) → 8GBのGPUで動くほかのモデル
- このモデルを入手できる形式を調べる → GGUF形式の解説と対応モデル
- 同じ用途の他のモデルを探す → 音声のモデル一覧

