テキスト読み上げ

このツールでできること

このテキスト読み上げツールは、英語のテキストを自然な AI の声で読み上げ、結果を WAV ファイルとしてダウンロードできます。hexgrad が公開している 8,200 万パラメータのオープンな音声合成モデル Kokoro-82M を、kokoro-js ライブラリと Transformers.js を通じて使います。処理はすべてブラウザ内で行われ、アカウント登録も文字数制限もなく、入力内容を見るサーバーもありません。

モデルが小さいので、普通のノート PC でも動きます。WebGPU に対応したブラウザ（最近の Chrome や Edge）ではグラフィックスカードでフル精度モデルを動かし、それ以外では CPU で 8 ビット量子化版を動かします。こちらはサイズが小さく、音質も十分クリアです。

使い方

1. モデルをダウンロードして開始 をクリックします。初回はモデル（CPU で約 92 MB、WebGPU で約 326 MB）をダウンロードしてブラウザにキャッシュします。進捗バーで残りがわかります。次回はキャッシュから数秒で読み込みます。
2. テキストを入力または貼り付けるか、サンプル で短い文章を試します。文字数と推定の音声の長さが入力に合わせて更新されます。
3. 声 を選び、速度 を 0.5× から 2× の間で調整します。
4. 音声を生成 をクリックします。長いテキストは文単位のチャンクに分けて順番に読み上げ、「チャンク 3 / 12」のように進捗を表示します。停止 を押すと途中で終わり、それまでに生成した音声が残ります。
5. プレーヤーで聞いてから WAV をダウンロード で 24 kHz モノラルのファイルを保存します。

別々のファイルが欲しいときは 出力 を 1 行ごとに 1 ファイル にすると、空でない各行が番号付きの WAV（01-…、02-…）になり、すべてダウンロード（ZIP） でまとめて保存できます。

共有ボタンはテキスト・声・速度を含むリンクをコピーするので、相手は自分のブラウザで同じ音声を生成できます。

声と言語

Kokoro のブラウザ版の声は 英語のみ です。アメリカ英語の声が 20 種類（女性 11、男性 9）、イギリス英語の声が 8 種類（女性 4、男性 4）あります。一覧の各声にはモデルカードの総合評価が付いています。Heart と Bella（アメリカ英語・女性）が最高評価で、Emma（イギリス英語・女性）や Fenrir、Michael、Puck（アメリカ英語・男性）もおすすめです。

発音は espeak-ng の音素変換によるもので、人名や略語、数字はたいてい正しく読まれますが、珍しい単語は言い換えが必要なこともあります。テキストの大部分が別の文字（日本語など）の場合は、読み上げられないため警告が表示されます。

例

サンプル文章を読み込み、既定の声 Heart のまま生成を押します。2 つの段落は 2 つのチャンクになり、数秒で約 20 秒の音声ができ、段落の間には短い間が入ります。George に切り替えればイギリス英語の男性ナレーション、速度を 1.3× にすればテンポよく読み上げます。

動作環境とプライバシー

WebAssembly と Web Worker に対応した最新のブラウザが必要です。デスクトップやモバイルの最新の Chrome、Edge、Firefox、Safari で動きます。WebGPU は必須ではなく、速くなるだけです。メモリの少ないスマートフォンでは長いテキストが重くなることがあります。WebGPU でエラーが出たら CPU のみ を選んでください。モデルファイルは Hugging Face から、ONNX Runtime エンジンは公開 CDN から取得し、各声のファイル（約 0.5 MB）は初めて使うときにダウンロードされます。キャッシュ後は、生成自体はオフラインでも動きます。