MENU
「このサイトでは広告を利用しています」 | AI技術ラボ - 現場目線の本音レビュー
  1. ホーム
  2. AI-Tools
  3. 654KBのSanoTTS-JPを3GBのIrodoriと聴き比べた

654KBのSanoTTS-JPを3GBのIrodoriと聴き比べた

広告
AI-Tools
654KBのSanoTTS-JPを3GBのIrodoriと聴き比べた

「マイコンに日本語をしゃべらせたい。でも選べるのはロボット声だけ」

そう感じていたなら、状況は変わりました。0.65MBのニューラルTTSが、きちんと日本語を読み上げます。

ただし、半角の数字と英字は、エラーを出さずに消えます。

TL;DR: 同じ13文を0.65MBのSanoTTS-JPと3GBのIrodori-TTSで合成しました。SanoTTS-JPは約270倍速く、聞き取り誤りは10.7%（Irodoriは0.25%）。数字は全角にすれば読みます。

目次

まず聴いてほしい。同じ文を2つのTTSで読ませた

説明より先に音を置きます。各項目とも、上がSanoTTS-JP、下がIrodori-TTSです。

ざっくりいうと、SanoTTS-JPは数百円クラスのマイコン（ESP32-S3）向けの日本語TTSです。Irodori-TTSは、私が毎朝のニュースPodcastで使っているPC向けのTTSです。どちらも私のMac（Apple M5）で合成し、音声認識のWhisperがどう聞き取ったかを添えました。

1. 短いあいさつ「今日は良い天気ですね。」

▶ SanoTTS-JP（0.65MB）

▶ Irodori-TTS（3GB）

Whisperの書き起こしは、どちらも正解でした。短く普通の文なら、SanoTTS-JPでも十分に聞き取れます。

2. 家電の通知「室温が二十八度を超えました。窓を開けるか、エアコンをつけてください。」

▶ SanoTTS-JP

▶ Irodori-TTS

SanoTTS-JPの「エアコン」は聞き取りにくかったです。Irodoriは全文正解です。

3. 同じ読みの言葉「橋の端で、箸を落としてしまった。」

▶ SanoTTS-JP

▶ Irodori-TTS

ここは耳で判断してください。Whisperは両方とも「橋の橋で橋」と書き起こしました。アクセントの違いは書き起こしでは測れません。開発者は、アクセントだけが違う語の組37組で全問正解と報告しています。

4. 感情のある文「やったー！ついに完成したよ！」

▶ SanoTTS-JP

▶ Irodori-TTS

SanoTTS-JPは「やった、ついに完成したよ」と聞き取られました。伸ばす音と感嘆が消えています。Irodoriは「やったー！」まで拾われました。

5. 日付「2026年9月11日、新しいバージョンが公開されました。」

▶ SanoTTS-JP

▶ Irodori-TTS

SanoTTS-JPの書き起こしは「年、月、日、新しいバージョンが…」でした。数字だけが抜けています。理由は後の節で書きます。

6. 英語の製品名「Claude Codeで、プログラムを自動生成します。」

▶ SanoTTS-JP

▶ Irodori-TTS

SanoTTS-JPは「け、黒クラムを自動生成します」。Claude Codeが丸ごと消えました。Irodoriは「クロードコード」と読んでいます。

7. 天気予報（3文・約11秒）

▶ SanoTTS-JP

▶ Irodori-TTS

少し長い文です。SanoTTS-JPは「午後から」が「ここから」になった以外、正解でした。

全13文を続けて聴ける版も置いておきます（2分23秒）。各文ともSanoTTS-JP、Irodori-TTSの順です。

大きさは約4,700倍、速さは約270倍違う

SanoTTS-JPとIrodori-TTSの比較図。モデルの大きさは0.65MBと3,064MB、10秒の音声を作る時間は0.03秒と9.0秒、聞き取り誤りは10.7%と0.25%

SanoTTS-JP v1.0.0Irodori-TTS v4.1-Small
パラメータ数約56万約7.7億
モデルファイル0.65MB（漢字辞書13.7MBは別）3.06GB（音声コーデック約0.4GBは別）
起動にかかる時間ほぼ0秒約10秒
10秒の音声を作る時間0.03秒9.0秒
使ったメモリ18MB1.7GB
聞き取り誤り（13文）10.7%0.25%
自然さの予測スコア（UTMOS）1.373.24
話す速さ（1秒あたりのモーラ数）9.36.1

「10秒の音声を作る時間」は13文の合計から出しました。SanoTTS-JPは1スレッドのCPUだけ、IrodoriはMacのGPUを使っています。それでも約270倍の差でした。

前回の記事で、Irodoriの生成は音声の長さの2.5〜3倍かかると書きました。あれは1文ごとにモデルを読み込み直す構成での値です。モデルを1回だけ読み込めば、音声の長さとほぼ同じ時間で済みました。

聞き取り誤りは、Whisper large-v3-turboの書き起こしと元の文を、かな読みにそろえて比べた文字の誤り率です。Whisper自身の聞き違いも含みます。

UTMOSは英語で学習した「自然さ」の予測器で、日本語は低めに出ます。学習元の声（つくよみちゃん）の実際の録音でも2.31でした（開発者の計測）。差の大きさを見てください。

半角の数字と英字は、エラーを出さずに消える

今回いちばん大事な発見はこれでした。

「2026」だけを入れると、0.1秒の無音が返ってきます。「ABC」も同じで、エラーも警告も出ません。Whisperはこの無音を「ご視聴ありがとうございました」と書き起こしました。無音に対するWhisperのよくある幻聴です。

原因は開発者の設計記録にありました。辞書にない語は「誤読ではなく無音で脱落する」。例外も警告も出ない、と明記されています。

試すと、半角を全角に変えるだけで数字は読みました。

入力SanoTTS-JPの書き起こし
2026年9月11日「年、月、日」（数字が消える）
２０２６年９月１１日（全角）「2026年9月11日」（正しく読む）
午後3時15分です。「ココリッグネス」（崩れる）
残り１５パーセントです。（全角）「残り15%です」（正しく読む）
ＡＢＣです。（全角）「DBCです」（読むが一部違う）
クロードコード（カタカナ）「プロトコとて」（崩れる）

全角にしたときの音声です。

▶ SanoTTS-JP（入力: ２０２６年９月１１日、…）

マイコンに組み込むなら、入力の前に半角英数字を全角へ変える1行を入れておくと安全です。英語の製品名は、全角でもカタカナでも安定しませんでした。短い定型文なら、読みやすい言い換えを先に用意しておくほうが確実です。

聞き取りにくいのは、子音の出だしと語尾

数字と英字以外の聞き違いにも、共通点がありました。

  • 語頭の母音が弱い: 「生憎の雨」が「飼い肉の雨」に。ひらがなで入れても同じで、発音の側の問題です
  • 語が詰まる: 「丸の内一丁目」が「丸のちっちょ目」に。読点を入れて「丸の内、一丁目」にすると直りました
  • 話す速さが速め: 1秒あたり約9.3モーラ（Irodoriは約6.1）。速さを変える設定はありません

一方で、13文のうち5文は、かな読みで完全に一致していました。

なぜ0.65MBまで小さくできるのか

SanoTTS-JPは「蒸留」という方法で作られています。大きなTTS（piper-plus）を先生にして、小さなモデルにその出力を真似させる方法です。

中身は3つの小さなモデルです。音の長さを決めるもの、音の特徴を作るもの、波形にするもの。合計で約56万パラメータしかありません。

重みも途中の計算も8ビットの整数です。ESP32-S3の整数の計算命令をそのまま使うためです。メモリは最初に確保した約160KBだけで計算し、途中で増やしません。マイコンでよくあるメモリ不足を、設計の段階で防いでいます。

漢字の読みは、Open JTalkの辞書を約44万語に削って載せています（13.7MB）。削った代わりに、辞書にない語は無音になる。数字が消える現象は、この小ささの裏返しなのだなと理解しました。

聴いてみると、そもそも比べるものではなかった

全部の音声を聴き終えて、これは基本的に比べるものではないな、と感じました。3GBと0.65MBです。勝ち負けを決める組み合わせではありません。

それでも、このサイズで日本語がちゃんと聞けるレベルにあるのは、素直にすごいと思いました。同時に、Irodori-TTSの日本語の質の高さも再認識できました。普段Podcastで毎朝聴いていると慣れてしまいますが、並べると差がはっきり分かります。

用途向いているもの理由
毎朝のニュースPodcastのように、人が長く聴く音声Irodori-TTS聞き取り誤りが少なく、感情も乗る
スタックチャンやIoT機器の短い通知SanoTTS-JP0.65MB・約160KBのメモリで、ネットなしで動く
英語の製品名が多い文どちらも注意Irodoriも英字は読みが揺れることがある

人が長く聴く音声は、これからもIrodoriに任せます。一方で、小さなロボットに「室温が上がりました」と言わせる用途なら話は変わります。これまでマイコンで選べたのは、AquesTalkのような機械的な声でした。SanoTTS-JPを比べるべき相手は、Irodoriではなくそちらです。

試した環境と手順

  • Mac: MacBook Pro / Apple M5 / メモリ16GB / macOS 26.6.2
  • SanoTTS-JP: v1.0.0（2026年9月11日公開）/ 8ビット整数の重み / 漢字辞書438,750語版
  • Irodori-TTS: v4.1-Small / MPS / 32ビット浮動小数点
  • 評価: 13文×各1回。書き起こしはWhisper large-v3-turbo、自然さはUTMOS22

Irodoriは参照音声を使わず、声の特徴を文章で指定する機能（Voice Design）で合成しました。指定文は「明るく落ち着いた若い女性の声で、はっきりと自然に読み上げてください。」です。特定の人物の声ではありません。

SanoTTS-JPはESP32向けですが、ブラウザ版と同じC言語のコードをMac向けにビルドして動かしました。計算の中身はESP32で動くものと同じです。ESP32の実機では試していません。開発者の計測では、ESP32-S3で1秒の音声を約0.45秒で作れます。

詰まったのは1か所です。2文をまとめて入れたところ、「形態素44個まで」という理由で拒否されました。句点で文を分けて入れれば通ります。

いちばん手軽なのは、インストール不要のブラウザ版です。

手元で試すなら、リポジトリと重みを取得します。

git clone --depth 1 --branch v1.0.0 https://github.com/ayutaz/sanoTTS-jp.git
gh release download v1.0.0 -R ayutaz/sanoTTS-jp \
  -p 'saanotts-jp-v4-int8.bin' -p 'k1-dict-438750.bin'

ESP32-S3（16MB flash）なら、配布されているファームウェアを書き込むだけで漢字文を読みます。手順はリポジトリの docs/getting-started.md にあります。

まとめ

  • 0.65MBでも日本語は読める。短い普通の文なら、書き起こしはほぼ正解
  • ただし聞き取り誤りは10.7%で、Irodori（0.25%）とは差がある
  • 半角の数字と英字は、エラーなしで無音になる。数字は全角にすれば読む
  • 向いているのはマイコンやオフラインの短い通知。人が長く聴く音声はIrodoriのまま

2つは比べるものではありませんでした。ただ、並べて聴いたおかげで、0.65MBの健闘とIrodoriの質の高さを両方とも実感できました。マイコンでもニューラルな声で日本語が出る段階には、すでに来ています。まずはブラウザ版で、読ませたい文を実際に入力して試してみてください。

関連記事
– Irodori-TTSの自分専用ニュースを61日間毎日車で聞いた

音声のクレジット: SanoTTS-JPの音声は、フリー素材キャラクター「つくよみちゃん」（© 夢前黎）の音声データを学習元に含むモデルで合成しました。本記事の音声の二次利用（素材としての利用）はご遠慮ください。

AI-Tools
ESP32 Irodori-TTS SanoTTS-JP TTS ローカルLLM
よかったらシェアしてね！
  • URLをコピーしました！
  • URLをコピーしました！

コメント

コメントする

CAPTCHA


目次