無料HD音声読み上げ、ブラウザで完結 — アップロード・クラウド不要
Quick TTSに3つ目のニューラル音声エンジン、Supertonic HDが加わりました。スタジオ品質の44kHz音声で、動作はすべてあなた自身のGPU上、WebGPU経由です — 貼り付けたテキストがどこかに送信されることはありません。ここでは、それが何なのか、どんな音なのか、そして日本語にとって何が変わり何が変わらないのかを説明します。
Supertonic HDとは
Supertonic HDはSupertonic 3をベースにした無料のニューラルTTS音声です。Supertone Inc.が公開したオープンウェイトモデルで、WebGPUとonnxruntime-webを通じてブラウザ内で動作します — Quick TTSがKokoroですでに採用している「サーバーではなく、あなたの端末で動く」という同じ仕組みです。私たちが提供する中で最も高音質なエンジンで、出力は44kHz。Kokoroの24kHzと比べると、「明らかに合成音声だが聴きやすい」音と、プロが収録したナレーションに近い音との違いに相当します。
日本語にとってこれは実は大きな意味を持ちます。日本語のニューラル音声はすでにKokoro(jf_alpha、jm_kumoなど、WebGPU経由)が提供していますが、Piperは現状日本語に対応していません。Supertonic HDが加わったことで、日本語はWebGPUで動く高品質ニューラル音声を2種類選べる、Quick TTS上で数少ない言語のひとつになりました。Browser TTS(OS内蔵の日本語音声:Kyoko、Otoya、Haruka、Ichiro、Ayumi、Nanami Online、Keita Onlineなど)と合わせて、エンジンの選択肢は実質4つです。
サーバーなしで動く仕組み
モデルは一度だけダウンロードされます — 約380MB、Hugging Faceから直接取得し、以後はブラウザがキャッシュします。それ以降、音声合成はすべてあなたのGPU上で行われます。貼り付けた・アップロードした・音声を生成したテキストが端末の外に出ることはなく、ログを取るサーバー自体がループの中に存在しません。
- 約9,900万パラメータ。Kokoro-82Mとほぼ同じ規模ですが、24kHzではなくフル44kHz音声を生成するよう学習されています。
- WebGPU専用。WASMへのフォールバックはありません — 高性能デスクトップCPUでSupertonicのWASM経路を計測したところ、ほぼリアルタイム速度でしたが、それより非力な端末では実用にならないため、提供を見送りました。つまり必要なのはモダンなデスクトップブラウザです:Chrome または Edge 113以降、動作するGPU付き。
- WebGPUがなくても問題ありません。WebGPUのない端末 — ほとんどのスマートフォン、古いノートPC、現行のFirefoxやSafari — では、Browser TTSはこれまで通り使えます。既存のエンジンは何も変わりません。ただしKokoroも同様にWebGPUを要求するため、WebGPU非対応の環境では日本語のニューラル音声そのものが選べない点は変わりません。
10種類の声、クローンなし
Supertonicには10種類のプリセット音声が用意されています — 男性5種(M1〜M5)、女性5種(F1〜F5) — KokoroやPiperと同じ音声選択メニューから選べます。声のクローン機能はなく、参照サンプルをアップロードする方法もありません。モデルに収録されている声がそのまま出力されます。長いプロジェクトを通してキャラクターの一貫性が生の音質より重要な場合、これは事前に知っておくべき制約です。
自動言語モード:ひとつの声で多言語混在テキストを読む
Quick TTSの他のどこにもない機能:「自動言語(混在テキスト)」トグルです。これをオンにすると、Supertonicは段落の途中で言語が切り替わる文書 — 日本語の記事に英語の引用が混ざる、英語の技術記事を含むメモ — をタグ付けなしで、それぞれの箇所を正しく発音しながら読み上げます。他のすべてのエンジンは1回の読み上げにつきひとつの言語を前提としていますが、これは言語の境界がどこにあるかを本当に気にしません。
英語資料を読むことが多い日本語話者にとって、これは特に実用的です。バイリンガルのノート、英語の引用が混ざる資料、コードスイッチングされたSNS投稿を音読させたい人にとって、これは競合の無料ツールがどこもやっていないことです。
速度:HD品質でも待たされない
高音質のトレードオフとして生成が遅くなることを想像しがちですが、実際はそうではありません。WebGPU対応マシンでは、リアルタイム係数(RTF)がおよそ0.02〜0.07という結果が出ました — あるテストでは、オーディオブック13分相当のテキストが約13秒で生成されました。再生自体は1秒未満で始まり、長い文書はKokoroと同じ方式でチャンク分割・パイプライン処理されるため、1章分を聞くのに1章分待たされることはありません。
対応言語(そして対応していない言語)
Supertonic HDはQuick TTS上で15言語に対応しています:英語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語、ロシア語、ポーランド語、オランダ語、トルコ語、アラビア語、ベトナム語、ヒンディー語、日本語、韓国語。長い文書は日本語の句読点を意識してチャンク分割されるため、章の途中で不自然に切れることもありません。PDF、DOCX、EPUBを含む他の機能もすべて同様に動作し、WAV/MP3ダウンロード、非常に長いテキスト向けのZIP書き出しにも対応しています。
制限事項
宣伝文句ではなく、正直なリストです:
- 380MBは実際に大きなダウンロードです。低速または従量制の回線では、これがSupertonicを試す最大のコストになります — Kokoroの約80MBのWASM経路やPiperの約60MBの音声より大きい。
- WebGPUが必須で、例外はありません。GPUが対応できない場合にPiper/Browser TTSへ自動的に切り替わるKokoroと違い、このエンジン専用のフォールバック経路は存在しません。
- デスクトップ優先。モバイルGPUとモバイルブラウザのWebGPU対応はまだ十分に安定していないため、現時点ではモバイルでの利用は推奨していません。
- 固定10種類の声、クローンなし。特定の声のアイデンティティが必要な場合、このツールは向いていません。
- 本家プロジェクトは急速に進んで、そして止まりました。Supertone Inc.のGitHub上のリファレンス実装は、私たちが組み込んだ直後にアーカイブされました。私たちが提供しているモデルの重みと推論コードは特定のリビジョンに固定され、私たち自身が検証したものです — 今後更新されるかどうかわからない本家を黙って追従してはいません。
ライセンスについて、これを利用して何かを作りたい方向けに補足します。推論コードはMIT(Supertoneのサンプルコードを移植)、モデルの重みはOpenRAIL-M — MITより制限の多い、利用制限を含む別のライセンスです。全文は/licenses/supertonic-openrail-m.txtで公開しており、音声を再配布目的で生成する場合の許容範囲は利用規約ページに記載しています。
試してみる
デスクトップのChromeまたはEdgeでQuick TTSを開き、エンジンのドロップダウンをSupertonic HDに切り替えて、何かテキストを貼り付けてみてください。最初の約380MBのダウンロードは一度だけで、以降はキャッシュされKokoroと同様オフラインでも使えます。ブラウザや端末がWebGPUに対応していない場合、ドロップダウンにこの選択肢自体が表示されないだけです — Browser TTSはこれまで通り動作します。
速度計測の方法など、より詳しい技術的な内容は英語版のHD Text-to-Speech in Your Browserで解説しています。