再現できるブラウザー音声合成ベンチマーク
メーカーの速度表示は別の機材によるものが多いですが、ここではボタン一つで全モデルが自分の端末で同じ文章を読み、実測します。参考値は下に掲載しています。
未取得のモデルは一度ダウンロードされ、保存されます。大型モデルは初期選択されていないので、ダウンロードも測る場合は選んでください。各モデルの標準音声で同じ2文を読みます。
参考結果
公開デモ・開発者の測定・独自テストに基づきます。RTFは低いほど高速で、1.0が実時間です。最終確認：2026年7月。
| モデル | ハードウェア／実行環境 | RTF | 出典 |
|---|---|---|---|
| Kokoro-82M | M2 MacBook Air (WebGPU, fp32) | 0.2–0.4 | webml-communityのデモ、2026 |
| Kokoro-82M | ミドルクラスのx86ノートPC（WASM q8、1スレッド） | ≈1.1 | kokoro-jsコミュニティーの報告、2025 |
| Piper（中品質の音声） | ミドルクラスのx86ノートPC（WASM） | ≈0.11 | sherpa-onnx / piperの測定、2025 |
| KittenTTS Nano | Core i7ノートPC（WASM int8） | ≈0.4 | KittenMLの課題管理、2026 |
| Kyutai Pocket TTS | Apple M4（WASM、ストリーミング） | ≈0.17 (6× RT) | Kyutaiリリースノート、2026年1月 |
| Chatterbox 0.5B | RTXクラスのデスクトップGPU（WebGPU q4） | ≈1.0 | Resemble AI transformers.jsのデモ、2026 |
測定方法
- 約220文字・2文の固定テキストを各モデルの標準音声で合成します。
- トークン化から最終音声バッファまでを計測し、ダウンロード時間は除外します。ダウンロードを含む初回実行は*で表示します。
- 端末に合わせ、WebGPU対応ならKokoro fp32、それ以外はWebAssembly q8/int8を使います。
- RTF＝生成時間÷音声の長さ。
- すべて端末側で実行。結果は自分だけのもので、アップロードされません。
ダウンロードサイズとハードウェア要件は各モデルのページに記載しています：Kokoro-82M, Piper, KittenTTS Nano, Kyutai Pocket TTS, Supertonic-3, Chatterbox, MOSS-TTS-Nano, Chatterbox Multilingual, OuteTTS-1.0 (0.6B), Orpheus-3B, MOSS-TTS (8.5B).
よくある質問
RTF（リアルタイム係数）とは？
生成時間を音声の長さで割った値です。RTF 0.5なら10秒の音声を5秒で生成し、再生時間の2倍の速さです。1.0未満はリアルタイムより速く、超えると待ち時間が生じます。
参考表と数値が違うのはなぜ？
違いを測ることが目的です。速度はCPU/GPU、ブラウザの版、WebGPU、温度、GPU実行かWASMへの切り替えかによって変わります。参考表には測定時の機器、テストにはあなたの機器が記録されます。
モデル間で公平なテストですか？
全モデルが同じ2文を標準音声で読みます。初回ダウンロードは*で区別し、初回と準備済みの実行を混同しません。処理速度のテストなので、音質は実際に聞いて確認してください。
結果はどこかに送信されますか？
いいえ。結果はローカル表示です。共有したい場合はコピーボタンを使えます。収集は行いません。