WindowsでローカルTTSを始める方法｜日本語音声合成の選び方

TTSは音声認識と逆向きの処理

TTS（Text-to-Speech）は文章を音声へ変換します。Whisperは音声から文字を作るASRで、話者分離は音声内の話者区間を推定します。ローカルLLMの回答を読む場合も、文章を生成するLLMと音声を作るTTS engineを別々に選びます。

• Windowsでローカル音声認識を始める - 音声から文字へ変換するWhisperの手順を見る
• WindowsでローカルAI翻訳を使う - 翻訳後に読み上げる場合の処理順を考える

Windows標準音声はインストール済みvoiceを使う

WindowsのSpeechSynthesizer APIは、システムにインストール済みのspeech synthesis voiceを使い、テキストまたはSSMLから音声streamを作ります。アプリ開発や、Windows APIに対応したアプリ内で使う選択肢です。APIがあることだけで、任意の文章をすぐWAVへ書き出す共通画面がWindowsに用意されているとは限りません。

1. Windowsの「設定」から「時刻と言語」→「言語と地域」を開く。
2. 使いたい言語のオプションでText-to-speech機能が提供されているか確認する。
3. language packを追加した場合は、使うアプリ側で対応するインストール済みvoiceを選べるか確認する。
4. 日本語の短文、句読点、数字、固有名詞を同じアプリ内で試聴する。

言語機能の取得にはインターネット接続が必要とMicrosoftが案内しています。取得後の音声処理、アプリ同期、利用ログなどの通信はそれぞれ別に確認してください。Windows標準音声の利用条件や挙動はOSの版、導入した言語、アプリで異なるため、全アプリが同じ音声一覧を共有すると決めつけないでください。

• Microsoft SpeechSynthesizer API - インストール済みvoiceと音声streamの仕様を見る
• Windowsの音声言語を追加する手順 - Text-to-speech対応language機能の追加を確認する

日本語音声ではモデル名よりvoice一覧を確認する

「TTS engineがある」と「使いたい言語のvoiceが現行配布されている」は別の条件です。2026-09-28に確認したKokoro公式voice一覧には日本語voice IDがあります。一方、Piperの現行メンテナンス版voice一覧には日本語が掲載されていません。過去の別リポジトリやコミュニティ配布voiceは、現行engineの公式サポートやlicenseを保証しません。

Kokoro公式のvoice IDには`jf_alpha`、`jf_gongitsune`、`jf_nezumi`、`jf_tebukuro`、`jm_kumo`などがあります。これは選択肢の一覧であって、声質の優劣や日本語の読み上げ精度のランキングではありません。サンプルを聞き、固有名詞、数字、長音、句読点、文の切れ目を自分の用途で確認します。

• Kokoroの日本語voice一覧 - voice IDと公式サンプルを確認する
• Piperの現行voice一覧 - 現行の対応言語とvoiceごとのlicenseを見る

KokoroをWindowsで短いWAVから試す

Kokoro-82Mは82 million parametersのopen-weight TTS modelです。公式READMEは日本語で`lang_code="j"`を使い、`misaki[ja]`を追加する案内と、WindowsではeSpeak NGを用意する案内を載せています。必要なPythonと音声依存関係は、既存の作業環境と分けて導入します。

1. Kokoro公式READMEの現在のWindows手順とPython要件を確認し、専用の仮想環境を作る。
2. `kokoro`、`soundfile`、日本語用の`misaki[ja]`を公式例に合わせて導入する。
3. 公式eSpeak NG releaseからWindows向け配布物を選び、導入後に同じshellから実行できるか確かめる。
4. 短い非機密の日本語文を1つ生成し、WAVの再生、保存先、サンプルレートを確認する。
5. 声や速度を変える場合は、同じテキストで一項目ずつ比較する。

from kokoro import KPipeline
import soundfile as sf

pipeline = KPipeline(lang_code="j")
for i, (_, _, audio) in enumerate(pipeline("これは日本語音声合成の短い確認です。", voice="jf_alpha")):
    sf.write(f"sample-{i}.wav", audio, 24000)

この例は公式API形状を使った最小の動作確認です。生成処理は一文ごとに複数chunkを返す場合があります。実際のsample rate、package互換性、Windows上のCPU/GPU利用条件は導入した版とログで確かめ、例をそのまま長文や業務データへ広げないでください。

• Kokoro公式README - 日本語pipelineとWindows依存関係の最新版を見る
• Kokoro-82M model card - モデル配布、weight license、利用条件を見る
• eSpeak NG公式releases - Windows向け公式配布物を確認する

Piperはengineとvoice modelの条件を分ける

Piperはローカルで動くneural TTS engineで、公式CLIはvoice modelを読み込んでWAVを出力する形式です。現行の公式voice一覧に日本語が見つからない場合、日本語読み上げ目的なら、一覧にない古い配布voiceを現行サポートとみなさず、互換性・音質・licenseを個別に確かめます。

Piperのengine licenseと、ダウンロードする各voice modelのlicenseは別々に確認します。公式voice資料は`.onnx` modelと`.onnx.json`設定ファイルの組を案内し、voiceごとのMODEL_CARDにlicense情報があるとしています。配布モデルがあることだけで、商用利用、再配布、声の利用権が得られるとは限りません。

• Piperメンテナンス版 - 現行engine、導入とlicenseを確認する
• Piper公式voice一覧 - 対応言語と各voice modelの利用条件を見る

ローカルLLMの文章を読み上げる時の分岐

ローカルLLMの回答を音声にする構成は、LLMの文章生成とTTSの音声合成をつなぐ処理です。API対応アプリを使う場合は、LLMの送信先、TTSの実行先、音声の保存場所、ログや履歴の各経路を別々に確かめます。GGUFをチャットruntimeへ読み込むだけで読み上げ機能が追加されるわけではありません。

• 読み上げる文章を短く固定し、最初は句読点と改行だけ整える。
• 同じ短文で日本語voice、数字、略語、固有名詞、文末の読み方を試す。
• 生成したWAVの保存先、ファイル名、一時ファイル、削除方法を決める。
• モデル取得やlanguage packの初回downloadと、実際の推論通信を分けて確認する。
• 他人の文章や本人の許可がない声の模倣へ使わず、音声とvoiceの利用条件を守る。

• ローカルAIをAPIで使う方法 - LLMと別のローカル処理を接続する前の確認を見る
• ローカルAIのプライバシー確認 - ローカル処理、ログ、同期、外部通信を分ける
• ローカルAI用PCスペックの見方 - CPU、メモリ、GPUの余裕を確認する

TTSが動かない・日本語が不自然な時

音の良し悪しを調べる時は、違うモデル、違う文章、違う端末を一度に変えません。同じ短い文を使い、voice、辞書・読み、速度、runtimeを一つずつ確認すると、モデルの違いとWindows環境の問題を分けやすくなります。

• GPUなしのWindows PCでローカルAIを使う - CPUで試す場合の待ち時間と負荷の見方へ進む
• ローカルAIの症状別トラブル解決 - メモリ、依存関係、起動失敗の基本へ戻る