Kyutai TTS 連携

Kyutai の TTS モデルをローカルで実行し、高品質な音声合成を利用します。このガイドでは、Libre WebUI に同梱された OpenAI-compatible サーバーを使う Pocket TTS（CPU）と TTS 1.6B（GPU）の両方を説明します。

概要

Kyutai は 2 つの TTS モデルを提供しています。

モデル	パラメーター	デバイス	最適な用途
Pocket TTS	100M	CPU のみ	ノート PC、リソースの少ない環境
TTS 1.6B	1.6B	GPU/MPS/CPU	サーバー、高品質な音声合成

どちらも CALM（Continuous Audio Language Models）framework を使用し、音声サンプルからの音声クローニングに対応しています。

Pocket TTS（CPU）

CPU 上でリアルタイム動作する軽量な TTS です。GPU は必要ありません。

要件

コンポーネント	最小要件
Python	3.10 - 3.14
PyTorch	2.5+
RAM	4GB
ディスク	500MB

クイックスタート

cd examples/kyutai-tts-server

# Create virtual environment
python3 -m venv venv
source venv/bin/activate

# Install dependencies
pip install -r requirements.txt

# Start server
python server.py

サーバーは http://localhost:8200 で動作します。

テストする

curl http://localhost:8200/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "kyutai-tts", "input": "Hello, welcome to Libre WebUI!", "voice": "alba"}' \
  --output speech.wav

音声

音声	説明
Alba	女性、明瞭で自然
Marius	男性、温かみのある声
Javert	男性、威厳のある声
Jean	男性、穏やかな声
Fantine	女性、柔らかな声
Cosette	女性、若々しい声
Eponine	女性、表現力のある声
Azelma	女性、明るい声

パフォーマンス

MacBook Air M4 でリアルタイムの約 6 倍速
最初の音声チャンクまで約 200ms
CPU core を 2 個だけ使用

TTS 1.6B（GPU）

GPU acceleration を使用する高品質な TTS です。デバイスは CUDA > MPS > CPU の順に自動選択されます。

要件

コンポーネント	最小要件	推奨
Python	3.10+	3.12
GPU VRAM	6GB	8GB+
RAM	8GB	16GB+
ディスク	4GB	8GB

対応プラットフォーム

プラットフォーム	バックエンド	詳細
NVIDIA GPU	CUDA	最高の性能、bfloat16 に対応
Apple Silicon	MPS	float16 を使用
CPU	PyTorch	低速、float32

クイックスタート

cd examples/kyutai-tts-1.6b-server

# Create virtual environment
python3 -m venv venv
source venv/bin/activate

# Install PyTorch with CUDA (for NVIDIA GPUs)
pip install torch --index-url https://download.pytorch.org/whl/cu121

# Install dependencies
pip install -r requirements.txt

# Start server (auto-detects GPU)
python server.py

サーバーは http://localhost:8201 で動作します。

デバイスの選択

# Auto-detect (CUDA > MPS > CPU)
python server.py

# Force specific device
python server.py --device cuda
python server.py --device mps
python server.py --device cpu

テストする

curl http://localhost:8201/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{"model": "kyutai-tts-1.6b", "input": "Hello from the GPU!", "voice": "alba"}' \
  --output speech.wav

音声

Alba MacKenna（CC BY 4.0）：

音声	スタイル
`alba` / `alba-casual`	日常会話
`alba-merchant`	商人のキャラクター
`alba-announcer`	アナウンサー風

Expresso（CC BY-NC 4.0 - 非商用）：

音声	感情
`expresso-happy`	喜び
`expresso-sad`	悲しみ
`expresso-angry`	怒り

VCTK（CC BY 4.0）：

vctk-p225、vctk-p226、vctk-p227、vctk-p228

音声クローニング

どちらのサーバーも、音声ファイルからの音声クローニングに対応しています。

Pocket TTS

# From local file
curl http://localhost:8200/v1/audio/voice-clone \
  -F "input=Hello from a cloned voice" \
  -F "reference_audio=@my_voice.wav" \
  --output cloned.wav

# From HuggingFace URL
curl http://localhost:8200/v1/audio/voice-clone-url \
  -H "Content-Type: application/json" \
  -d '{
    "input": "Hello world!",
    "voice_url": "hf://kyutai/tts-voices/alba-mackenna/casual.wav"
  }' \
  --output speech.wav

TTS 1.6B

任意の HuggingFace 音声パスを voice parameter として渡します。

curl http://localhost:8201/v1/audio/speech \
  -H "Content-Type: application/json" \
  -d '{
    "model": "kyutai-tts-1.6b",
    "input": "Custom voice synthesis",
    "voice": "hf://kyutai/tts-voices/vctk/p230.wav"
  }' \
  --output speech.wav

API リファレンス

音声生成

エンドポイント： POST /v1/audio/speech

{
  "model": "kyutai-tts",
  "input": "Text to convert to speech",
  "voice": "alba",
  "response_format": "wav",
  "stream": false
}

パラメーター	型	既定値	説明
`model`	string	モデル別	`kyutai-tts` または `kyutai-tts-1.6b`
`input`	string	必須	合成するテキスト（最大 10,000 文字）
`voice`	string	`alba`	音声名または HuggingFace パス
`response_format`	string	`wav`	音声形式（`wav` のみ対応）
`stream`	boolean	`false`	ストリーミングを有効にする（Pocket TTS のみ）
`cfg_coef`	float	`2.0`	classifier-free guidance（1.6B のみ）

レスポンス： 音声ファイル（audio/wav）

OpenAI 音声エイリアス

OpenAI TTS クライアントとの互換性を保つため、次のエイリアスを使用できます。

OpenAI 音声	Pocket TTS	TTS 1.6B
`alloy`	alba	alba
`echo`	marius	vctk-p225
`fable`	cosette	expresso-happy
`onyx`	javert	vctk-p226
`nova`	fantine	alba-announcer
`shimmer`	eponine	alba-merchant

音声一覧

エンドポイント： GET /v1/voices

ヘルスチェック

エンドポイント： GET /health

プラグインの設定

Pocket TTS

設定 > プラグイン > Kyutai TTS で有効にします。

プラグインファイル：plugins/kyutai-tts.json

{
  "id": "kyutai-tts",
  "name": "Kyutai TTS",
  "type": "tts",
  "endpoint": "http://localhost:8200/v1/audio/speech",
  "capabilities": {
    "tts": {
      "config": {
        "voices": [
          "Alba",
          "Marius",
          "Javert",
          "Jean",
          "Fantine",
          "Cosette",
          "Eponine",
          "Azelma"
        ],
        "default_voice": "Alba",
        "supports_streaming": true,
        "no_auth_required": true
      }
    }
  }
}

TTS 1.6B

設定 > プラグイン > Kyutai TTS 1.6B で有効にします。

プラグインファイル：plugins/kyutai-tts-1.6b.json

{
  "id": "kyutai-tts-1.6b",
  "name": "Kyutai TTS 1.6B",
  "type": "tts",
  "endpoint": "http://localhost:8201/v1/audio/speech",
  "capabilities": {
    "tts": {
      "config": {
        "voices": [
          "Alba",
          "Alba-Casual",
          "Alba-Merchant",
          "Alba-Announcer",
          "Expresso-Happy",
          "Expresso-Sad",
          "Expresso-Angry",
          "VCTK-P225",
          "VCTK-P226"
        ],
        "default_voice": "Alba",
        "supports_streaming": true,
        "no_auth_required": true
      }
    }
  }
}

ネットワークアクセス

別のマシンからアクセスするには、次のようにします。

# Start server on all interfaces
python server.py --host 0.0.0.0

# Access from another machine
curl http://192.168.1.100:8200/v1/audio/speech ...

それに合わせてプラグインのエンドポイントを更新します。

{
  "endpoint": "http://192.168.1.100:8200/v1/audio/speech"
}

トラブルシューティング

モデルのダウンロードに失敗する

モデルは初回実行時に HuggingFace からダウンロードされます。

# Set token for gated models
export HF_TOKEN=hf_...

CUDA のメモリ不足

VRAM が限られた環境で TTS 1.6B を使用する場合：

ほかの GPU アプリケーションを閉じます。
メモリ使用量を減らすため cfg_coef=1.5 を試します。
代わりに CPU ベースの Pocket TTS を使用します。

音質の問題

機械的な声： 別の音声を試します。
音声が途中で切れる： テキストが長すぎる可能性があります。サーバーは自動的に分割します。
発音が正しくない： モデルは英語とフランス語向けに最適化されています。

MPS（Apple Silicon）の問題

RuntimeError: MPS backend error

1.6B モデルは MPS で float16 を使用します。問題が解消しない場合は、CPU を明示的に指定します。

python server.py --device cpu

Qwen3-TTS との比較

機能	Kyutai Pocket	Kyutai 1.6B	Qwen3-TTS
パラメーター	100M	1.6B	0.6B-1.7B
GPU が必要	いいえ	任意	はい
言語	英語	英語/仏語	10 言語
音声クローニング	はい	はい	はい
音声デザイン	いいえ	いいえ	はい
ポート	8200	8201	8100

英語中心の用途で設定を簡単にしたい場合は Kyutai を選びます。多言語対応と音声デザイン機能が必要な場合は Qwen3-TTS を選びます。

リソース

Kyutai TTS - 公式プロジェクトページ
Pocket TTS GitHub - CPU モデル
Delayed Streams Modeling - 1.6B モデル
音声コレクション - 利用可能な音声
モデルカード - 技術情報

概要​

Pocket TTS（CPU）​

要件​

クイックスタート​

テストする​

音声​

パフォーマンス​

TTS 1.6B（GPU）​

要件​

対応プラットフォーム​

クイックスタート​

デバイスの選択​

テストする​

音声​

音声クローニング​

Pocket TTS​

TTS 1.6B​

API リファレンス​

音声生成​

OpenAI 音声エイリアス​

音声一覧​

ヘルスチェック​

プラグインの設定​

Pocket TTS​

TTS 1.6B​

ネットワークアクセス​

トラブルシューティング​

モデルのダウンロードに失敗する​

CUDA のメモリ不足​

音質の問題​

MPS（Apple Silicon）の問題​

Qwen3-TTS との比較​

リソース​

概要

Pocket TTS（CPU）

要件

クイックスタート

テストする

音声

パフォーマンス

TTS 1.6B（GPU）

要件

対応プラットフォーム

クイックスタート

デバイスの選択

テストする

音声

音声クローニング

Pocket TTS

TTS 1.6B

API リファレンス

音声生成

OpenAI 音声エイリアス

音声一覧

ヘルスチェック

プラグインの設定

Pocket TTS

TTS 1.6B

ネットワークアクセス

トラブルシューティング

モデルのダウンロードに失敗する

CUDA のメモリ不足

音質の問題

MPS（Apple Silicon）の問題

Qwen3-TTS との比較

リソース