KittenML/KittenTTS

これは何？

主な機能

• 01追加学習なしで、5〜30秒の参照音声から声を複製
• 0220言語に対応した47種類の組み込み音声
• 03感情タグ、インラインの発声イベント、強調範囲で表現豊かな音声を生成
• 04GPUなしでCPU上で動作する軽量なONNXモデル
• 05長文を文単位で分割する機能とストリーミングジェネレーター
• 06推論を高速化するオプションのC++バックエンドとvLLM対応

ユースケース

• CPUのみのアプリケーションやエッジデバイスにオフライン音声出力を追加
• 長い台本や記事のナレーションを生成
• 短い話者サンプルからカスタム音声を試作
• 音声合成が完了する前に再生を開始する低遅延の音声再生を構築

クイックスタート

1. 1

   pipでパッケージをインストールする

   pip install kittenml
2. 2

   KittenTTS 2で音声を生成し、WAVファイルに保存する

   python -c "from kittenml import KittenTTS; import soundfile as sf; m = KittenTTS('KittenML/kitten-tts-2'); audio = m.generate('One day, a little girl named Lily found a needle in her room.', voice='Bruno'); sf.write('output.wav', audio, m.sample_rate)"

使う前に知っておきたいこと

• !KittenTTS 2の重みはApache-2.0ではなく、別途適用されるStellon Labs Community Licenseの対象です。商用利用の前にライセンス条項を確認してください。
• !表現の制御機能はベータ版で、効果は音声や文によって異なります。
• !ストリーミングはチャンク単位のため、最初の音声チャンクが生成されるまで実際に待ち時間が発生します。
• !C++のCPU実行経路はベータ版です。

トピック

よくある質問

KittenTTS とは？

KittenTTS 2で5秒の音声から声を複製し、CPU上でリアルタイムに動作するオープンソースの音声合成ライブラリ。 Kitten TTSは、17億パラメータの1ビット音声言語モデルKittenTTS 2を中心に構築されたPython製の音声合成ライブラリです。話者の5〜30秒の音声を使ったコンテキスト内での声の複製、47種類の組み込み音声、20言語に対応し、任意で感情・発声イベント・強調のタグを指定して話し方を調整できます。

KittenTTS は無料で使えますか？ライセンスは？

KittenTTS は Apache-2.0 ライセンスのオープンソースです。商用製品で使う前にライセンス条件を確認してください。

KittenTTS は今もメンテナンスされていますか？

活発にメンテナンス中。KittenTTS の最終コミットは 2026年10月16日 です。

KittenTTS は何に使えますか？

CPUのみのアプリケーションやエッジデバイスにオフライン音声出力を追加 長い台本や記事のナレーションを生成 短い話者サンプルからカスタム音声を試作 音声合成が完了する前に再生を開始する低遅延の音声再生を構築

KittenTTS のインストール方法は？

pipでパッケージをインストールする: pip install kittenml KittenTTS 2で音声を生成し、WAVファイルに保存する: python -c "from kittenml import KittenTTS; import soundfile as sf; m = KittenTTS('KittenML/kitten-tts-2'); audio = m.generate('One day, a little girl named Lily found a needle in her room.', voice='Bruno'); sf.write('output.wav', audio, m.sample_rate)"

KittenTTS はどこで入手できますか？

ソースコードとインストール手順は GitHub にあります：https://github.com/KittenML/KittenTTS