調査レポート: WSL2 + RTX 5060 (8GB) で日本語の音声読み上げを動かす #

WSL2 (Ubuntu 26.04) + RTX 5060 Laptop 8GB で、ローカル TTS の「読み上げ」が実際にどこまで動くかを確かめた記録。 対象は Grok との会話で候補に挙がったもののうち、この環境で追加のインストール権限なしに試せるもの。

依頼は Grok との対話の抜粋を渡したうえで、「WSL2 上の Ubuntu で 8GB の NVIDIA GPU がある。この状況で音声読み上げの動作確認をして、結果と後片付けの方法を docs/sketch に残す」というものだった。

この記録は 2026-11-04 に、GPU ドライバを更新した環境で測り直した(issue #128)。数値は追試時のものに差し替えてある。何が変わって何が変わらなかったかは「ドライバ更新後の追試」にまとめた。

作業したのは WSL を簡易的な隔離環境として使う記事で作った環境で、エージェント(opencode)に root を渡していないのは**意図的**。/etc/wsl.conf で automount と interop を切ってあるのも同じ記事の設定で、Windows 側のファイルやプログラムにエージェントが触れないようにしている。だから以下の手順は「sudo が使えない環境での回避策」ではなく、「ユーザー権限の中で完結させる」ことを前提に組んである。

  • **Piper**(CPU・超軽量)
  • **Kokoro 82M**(GPU/CPU・軽量)
  • **Qwen3-TTS 0.6B / 1.7B**(GPU・高品質・指示つき)
  • **音声出力そのもの**(WSLg の PulseAudio 経由で Windows に鳴るか)

Voicebox と VOICEVOX は、この環境では前提(Docker / 7z 展開 / root)が揃わないため**動かしていない**。理由は「試していないもの」の節に書いた。

結論 #

  • **WSL2 でも普通に鳴る(人が実際に PC から音が出るのを確認した)。** WSLg が PulseAudio サーバー(unix:/mnt/wslg/PulseServer, sink は RDPSink)を最初から立てている。足りないのはクライアント(paplay / pactl)だけで、root 無しでも .deb を展開すれば使える。~/.asoundrc も pulseaudio パッケージも要らなかった。
  • **日本語の長文読み上げの第一候補は Kokoro 82M (GPU)。** 13 秒の音声を 0.18 秒で合成(RTF 0.014)、VRAM 783MiB。文単位に区切れば最初の音が約 1.5 秒で出る(2 回目以降は 0.05 秒)。
  • **Piper は CPU だけで RTF 0.07。** GPU を一切使わないので併用しやすい。ただし日本語ボイスは ja_JP-hi_fi_captain-medium の 1 種類だけ。CPU 側の数値は他の負荷で倍半分動くので、桁だけを見るのがよい。
  • **Qwen3-TTS は 8GB でも余裕で載る(1.7B で VRAM 4.2GiB)が、公式 Python パッケージのままだと RTF 1.5〜1.9 で実時間より遅い。** GPU 使用率は 25% 前後しか出ておらず、ボトルネックは GPU ではなく 1 フレームごとの Python ループ。実時間で回すには vLLM など別バックエンドが要る(今回は未検証)。
  • **CUDA のバージョン固定は、ドライバを更新した今の環境では不要になった。** PyPI 既定の torch 2.15.0(cu132 ビルド)がそのまま初期化でき、sm_120 で行列積も通る。初回に cu128 へ固定する必要があったのは、WSL 側のドライバが CUDA 12.8 相当で止まっていたためで、**ドライバ側の問題だった**(issue #128 の見立てどおり)。
  • **Grok の説明のうち「8GB なら Qwen3-TTS 1.7B が余裕」は正しい。「GPU でリアルタイム性が良好」は、少なくとも qwen-tts パッケージ素のままでは成立しない。** また「WSL2 で音を出すには pulseaudio を入れる」は不要で、入れるのはクライアント側のツールだけだった。

実測のまとめ #

追試時(2026-11-04、ドライバ 617.42 / CUDA UMD 13.4、torch 2.15.0+cu132)の値。

エンジンモデル音声の長さ合成時間RTF初音までの時間VRAM日本語
Piperja_JP-hi_fi_captain-medium (74MB)18.03s1.24s**0.07**0.92s(ストリーミング)0(CPU)1 ボイス
Kokoro 82M (CPU)hexgrad/Kokoro-82M13.07s2.62s0.20—05 ボイス
Kokoro 82M (GPU)同上13.07s0.18s**0.014**1.5s(文分割・コールド)783MiB5 ボイス
Qwen3-TTS 0.6B (GPU)Qwen3-TTS-12Hz-0.6B-CustomVoice7.92s12.13s1.53—2.3GiB○
Qwen3-TTS 1.7B (GPU)Qwen3-TTS-12Hz-1.7B-CustomVoice6.72s10.52s1.57—4.2GiB○(Ono_Anna)

RTF は「音声 1 秒あたりの合成秒数」。1.0 未満なら実時間より速い。Qwen の数値は 2 回目の実行(モデルロード済み・ウォームアップ後)。

検証環境 #

値
GPUNVIDIA GeForce RTX 5060 Laptop GPU(8151MiB)
ドライバ / CUDA617.42 / CUDA UMD 13.4(WSL 側の nvidia-smi)。追試前は 573.22 / CUDA 12.8 だった
WSL6.18.54.1-microsoft-standard-WSL2、WSLg 1.0.79
ディストリUbuntu 26.04.1 LTS(Resolute Raccoon)
CPU / メモリAMD Ryzen 7 255(16 スレッド)/ 15GB(CPU 側の計測はこの負荷に左右される)
システム Python3.14.4(pip 無し)
uv0.13.7(~/.local/bin/uv)
sudo**使えない**(パスワード入力が必要。sudo -n は失敗)。エージェントに root を渡さないのは意図的
WSL 設定systemd=true、automount=false、interop=false(.exe は実行できない)、/mnt/c は空。隔離のための設定
ファイルシステム/ は 1TB で 838GB 空き。**/tmp は tmpfs 7.7GB**

この記事のコマンドはすべて ~/tts-lab で作業する前提。/tmp は tmpfs(メモリ上)なので、torch 入りの venv(約 7.3GB)のような大物を置く場所ではない。最初に /tmp で作業して埋めてしまったのはエージェント側の不注意で、環境の問題ではない。

追試で使った主なパッケージは、torch 2.15.0+cu132 / torchaudio 2.11.1+cu132、kokoro 0.9.4、misaki 0.9.4、transformers 5.22.1(Kokoro 側)/ 4.57.3(Qwen 側)、piper-tts 1.8.0、onnxruntime 1.31.1、qwen-tts 0.1.1。

ドライバ更新後の追試 #

初回の計測は 573.22 / CUDA 12.8 のドライバで行った。PyPI 既定の torch(cu132 ビルド)が CUDA を初期化できなかったため cu128 の wheel に固定している。その後 Windows 側の GPU ドライバを更新した(617.42 / CUDA UMD 13.4)ので、2026-11-04 に測り直した。

  • **torch のバージョン固定は要らなくなった。** uv pip install torch torchaudio だけで torch 2.15.0+cu132 が入り、torch.cuda.is_available() が True、sm_120 で行列積が通る。「新しい torch が入ると壊れる」の正体はドライバだった。
  • **Qwen3-TTS の RTF は 1.8 → 1.5 程度に下がったが、1.0 は切らない。** 初回と同じ torch 2.11.0+cu128 の venv を新しいドライバで回しても 1.54 だったので、差はドライバ由来。**ボトルネックが Python の生成ループであることは変わらない**(GPU 使用率 25% 前後)。
  • **Kokoro は RTF 0.018 → 0.014、VRAM 830 → 783MiB。** ただし初音はむしろ遅くなった(コールドで 1.5 秒前後。ウォームなら 0.05 秒)。文分割したときの 1 文目の生成が 1.00 秒 → 1.46 秒に伸びている。
  • **Piper の 0.13 → 0.07 はドライバと無関係。** 初回と同じ venv(piper-tts 1.8.0、onnxruntime 1.31.1)で再測しても 0.07 なので、初回計測時に他の負荷が乗っていたと見られる。
  • **新しく踏んだ罠が 2 つ。** torch 2.15.0 と torchaudio 2.11.1 の版が揃わないこと、torchaudio.load が torchcodec を要求し、その torchcodec がこの環境では入れられないこと(どちらも「ハマりどころ」に書いた)。

1. 音声出力(WSLg)の確認 #

PULSE_SERVER は最初から設定されていて、ソケットも存在する。これは WSLg が有効なときに WSLg 側が用意するもので(DISPLAY や WAYLAND_DISPLAY と同じ扱い)、ディストリ側で何かを設定した結果ではない。

$ echo $PULSE_SERVER
unix:/mnt/wslg/PulseServer
$ ls /mnt/wslg
PulseAudioRDPSink  PulseAudioRDPSource  PulseServer  ...

一方でクライアントが無い。

$ which pactl paplay aplay
# 何も出ない

root が無いので、apt-get download で .deb を取ってきて展開し、LD_LIBRARY_PATH で使う。 必要なのは paplay と pactl の依存だけ。

mkdir -p ~/tts-lab/debs && cd ~/tts-lab/debs
apt-get download pulseaudio-utils libpulse0 libsndfile1 libasyncns0 libflac14 \
  libvorbis0a libvorbisenc2 libogg0 libopus0 libsoxr0 libmpg123-0t64 libltdl7 libmp3lame0
mkdir -p root && for f in *.deb; do dpkg-deb -x "$f" root; done

export LD_LIBRARY_PATH="$PWD/root/usr/lib/x86_64-linux-gnu:$PWD/root/usr/lib/x86_64-linux-gnu/pulseaudio"
export PATH="$PWD/root/usr/bin:$PATH"

結果:

$ pactl info
Server String: unix:/mnt/wslg/PulseServer
Server Name: pulseaudio
Server Version: 17.0-25-gc3305
Default Sink: RDPSink
Default Source: RDPSource

$ pactl list short sinks
1  RDPSink  module-rdp-sink.c  s16le 2ch 44100Hz  SUSPENDED

$ paplay beep.wav   # 440Hz の 1 秒
$ echo $?
0

再生中に pactl で覗くと、ちゃんと sink input が積まれて RDPSink が RUNNING になる(Sink Latency: 397085 usec は RDP のバッファ)。

$ pactl list short sink-inputs
5  1  7  protocol-native.c  s16le 1ch 22050Hz
$ pactl list short sinks
1  RDPSink  module-rdp-sink.c  s16le 2ch 44100Hz  RUNNING

つまり paplay の終了コードと sink の状態までは確認できる。実際に耳に届いているかはエージェントからは確認できないが、**手元の PC から音が鳴っていることは人が確認した**。RDPSink が RUNNING になれば Windows 側まで届いていると見てよい(音が出ない場合は Windows 側のサウンド設定と WSLg のオーディオを疑う)。

注意点:

  • paplay の実行時間は音声の長さと一致しない(追試では 1.0s の wav が 0.57s、17.97s の wav が 19.44s、13.08s の wav が 14.47s)。RDP sink のバッファとリサンプリングのせいで、**再生時間を性能測定に使ってはいけない**。
  • paplay は wav のヘッダを読んでフォーマットを合わせてくれるので、22.05kHz モノラルでも 24kHz モノラルでもそのまま渡せる。

2. セットアップ(再現手順) #

エンジンごとに venv を分ける。理由は 2 つ。

  • Kokoro 0.9.4 は python < 3.13 を要求するので、システムの Python 3.14 では入らない(uv で 3.12 を落とす)。
  • Qwen3-TTS は transformers==4.57.3 をピン留めするので、Kokoro 側(transformers 5.x)と同居できない。

共通の下ごしらえ:

cd ~
mkdir -p tts-lab && cd tts-lab
uv venv --python 3.12 venv        # Piper + Kokoro 用
uv venv --python 3.12 venv-qwen   # Qwen3-TTS 用

2.1 torch の CUDA ビルドはドライバに合わせる #

2026-11-04 のドライバ更新(617.42 / CUDA UMD 13.4)後は、素直に入れるだけで動く。

uv pip install --python venv/bin/python torch torchaudio
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
# 2.15.0+cu132 True

ドライバが CUDA 13.2 より古いと、PyPI 既定の cu132 ビルドは初期化に失敗する。初回の計測時(573.22 / CUDA 12.8)はそうなっていて、次のように出た。

UserWarning: CUDA initialization: The NVIDIA driver on your system is too old
(found version 12080). ...
>>> torch.cuda.is_available()
False

その場合は download.pytorch.org/whl/cu128 から**バージョンも固定**して入れる(--index-url だけだと新しい方を拾うので == が要る)。この回避策自体は今も有効。

uv pip install --python venv/bin/python "torch==2.11.0" "torchaudio==2.11.0" \
  --index-url https://download.pytorch.org/whl/cu128
python -c "import torch; print(torch.__version__, torch.cuda.is_available())"
# 2.11.0+cu128 True
  • 迷ったら先に torch.cuda.is_available() を見る。nvidia-smi の CUDA UMD Version がそのまま使える上限なので、そこより新しいビルドを選ばなければよい。
  • **torch と torchaudio の版が揃わない。** 2026-11 時点で PyPI の torch は 2.15.0 だが torchaudio は 2.11.1 で止まっており、uv pip install torch torchaudio は 2.15.0 + 2.11.1 の組み合わせを入れる。今回の用途では動いた(torchaudio.functional.resample も通る)。ただし torchaudio.load は TorchCodec is required で失敗する(「ハマりどころ」を参照)。

2.2 Piper(CPU) #

uv pip install --python venv/bin/python piper-tts pyopenjtalk
venv/bin/python -m piper.download_voices ja_JP-hi_fi_captain-medium
  • piper-tts は onnxruntime(CPU)を引く。onnxruntime-gpu を別途入れないと --cuda は黙って CPU に落ちる(警告は出る)。
  • **日本語は pyopenjtalk が別途必要。** 入れないと ModuleNotFoundError: No module named 'pyopenjtalk' が出るのだが、piper 側の後始末で wave.Error: # channels not specified に化けるので原因が分かりにくい。
  • 日本語ボイスは 1 種類だけ(voices.json を引くと ja_JP-hi_fi_captain-medium のみ、2 話者)。
mkdir -p out
printf 'こんにちは。これはWSL2上での音声読み上げのテストです。\n' > in.txt
venv/bin/python -m piper -m ja_JP-hi_fi_captain-medium.onnx -i in.txt -f out/piper_ja.wav

2.3 Kokoro 82M(GPU/CPU) #

uv pip install --python venv/bin/python kokoro "misaki[ja]" soundfile
venv/bin/python -m unidic download   # 526MB
  • misaki[ja] は MeCab 辞書(unidic)を自分では落とさない。無いと RuntimeError: Failed initializing MeCab で止まる。
  • KPipeline は device を渡さないと CPU で動く。GPU を使うなら KPipeline(lang_code="j", device="cuda")。
  • 日本語ボイスは jf_alpha / jf_gongitsune / jf_nezumi / jf_tebukuro / jm_kumo の 5 つ。
from kokoro import KPipeline
pipe = KPipeline(lang_code="j", device="cuda")
for gs, ps, audio in pipe(text, voice="jf_alpha", split_pattern=r"(?<=[。.!?!?])"):
    ...  # audio は 24kHz の torch.Tensor

2.4 Qwen3-TTS(GPU) #

uv pip install --python venv-qwen/bin/python qwen-tts
# ドライバが古くて cu132 を初期化できない場合だけ、2.1 の手順で cu128 に差し替える
import torch, soundfile as sf
from qwen_tts import Qwen3TTSModel

model = Qwen3TTSModel.from_pretrained(
    "Qwen/Qwen3-TTS-12Hz-1.7B-CustomVoice",
    device_map="cuda:0", dtype=torch.bfloat16, attn_implementation="sdpa",
)
wavs, sr = model.generate_custom_voice(
    text="こんにちは。これはWSL2上での音声読み上げのテストです。",
    language="Japanese", speaker="Ono_Anna",
    instruct="明るく元気で、少し早口で話してください。",
)
sf.write("out/qwen.wav", wavs[0], sr)
  • 初回は重みのダウンロード込みで 1.7B が約 103 秒、0.6B が約 59 秒。2 回目以降のロードは 7 秒 / 6 秒。
  • flash-attn は無くても動く(Warning: flash-attn is not installed. Will only run the manual PyTorch version.)。attn_implementation="sdpa" を明示した。
  • sox が無いと警告が出るが、合成自体は動く。
  • 日本語のプリセット話者は Ono_Anna。instruct で口調の指示が効く(実測で合成時間はほぼ変わらない。追試では指示なし 1.57 / あり 1.56)。
  • VRAM は 1.7B でロード後 3987MiB / ピーク 4196MiB、0.6B で 2059MiB / 2312MiB。8GB に 1.7B を載せても 4GB 近く余る。

ハマりどころ(まとめ) #

症状原因対処
CUDA initialization: driver too oldPyPI 既定の torch が cu132 ビルドで、ドライバが CUDA 13.2 未満ドライバを更新する。できないなら torch==2.11.0 を cu128 index から
TorchCodec is required for load_with_torchcodectorchaudio 2.11 が sox / soundfile バックエンドを外した音声の読み込みは soundfile を使う
Could not load this library: libtorchcodec_core4.sotorchcodec 0.17 が libavcodec.so.58(FFmpeg 5.1)を要求するが、Ubuntu 26.04 は FFmpeg 7 系同上(root 無しでは FFmpeg 5.1 を用意できない)
No module named 'pyopenjtalk' → wave.ErrorPiper の日本語 G2P が別パッケージuv pip install pyopenjtalk
Failed initializing MeCabunidic 辞書が未取得python -m unidic download
pip install kokoro が解決不能requires-python <3.13(2026-11 時点で 0.9.4 のまま)uv で Python 3.12 の venv
No space left on device(/tmp)/tmp が tmpfs 7.7GB、torch の venv が 7.3GB作業ディレクトリをディスク上に
Piper の --cuda が効かないonnxruntime が CPU 版onnxruntime-gpu を入れる(未検証)
pactl: cannot open shared object fileクライアント未インストール + 依存不足.deb を展開して LD_LIBRARY_PATH

3. 結果 #

Piper #

CPU だけで完結する。18.03 秒の音声を 1.24 秒(プロセス起動込み、ウォーム時 RTF 0.07)、RSS 337MB。

$ time venv/bin/python -m piper -m ja_JP-hi_fi_captain-medium.onnx -i in_long.txt -f out/piper_long.wav
0:01.25  # 18.03s の音声 = RTF 0.07

piper-tts 1.8.0 は合成時間のサマリを自分では出さないので、time と生成物の長さから出す。3 回測って 1.24〜1.36 秒(RTF 0.069〜0.075)で、ばらつきはこの程度。

読み上げ品質は「アニメ声寄りの中性的な声」。--length-scale で速さ、--sentence-silence で間が調整できる。日本語ボイスが 1 つしかないので、声を選びたい用途には向かない。

Kokoro 82M #

同じ文章(13.07 秒)で、CPU と GPU を比較。

$ venv/bin/python kokoro_bench.py j jf_alpha out/kokoro_ja_cpu.wav cpu
torch 2.15.0+cu132 cuda True import 3.61
run0: synthesize 2.97s for 13.07s audio (RTF 0.227)
run1: synthesize 2.62s for 13.07s audio (RTF 0.201)

$ venv/bin/python kokoro_bench.py j jf_alpha out/kokoro_ja_gpu.wav cuda
run0: synthesize 4.34s for 13.07s audio (RTF 0.332)
run1: synthesize 0.18s for 13.07s audio (RTF 0.014)
peak GPU mem 783.2 MiB

GPU は 1 回目に数秒かかる(ウォームアップ)が、2 回目以降は 0.18 秒。82M パラメータなので VRAM も 783MiB で、他の作業と併用できる。品質は日本語として自然で、4 種類の女性ボイスと 1 種類の男性ボイスから選べる。

Qwen3-TTS #

1.7B と 0.6B の両方で、日本語(Ono_Anna)の合成に成功した。0.6B と 1.7B で **RTF がほぼ同じ(1.5〜1.6)** なのが特徴的で、これは計算量ではなく 1 ステップあたりの固定オーバーヘッドが支配的だということを意味する。

内訳を測ると:

$ venv-qwen/bin/python qwen_profile.py Qwen/Qwen3-TTS-12Hz-0.6B-CustomVoice Ono_Anna "..."
AR generate 13.82s, frames=16, 864 ms/frame
tokenizer decode 0.22s for 7.52s audio
total 14.05s, RTF 1.87 (AR 1.84, decode 0.03)
peak VRAM 2279 MiB

デコード(音声化)は 0.03 RTF でほぼ無視できる。遅いのは自己回帰生成のループで、**その間の GPU 使用率は 23〜53%**(大半は 25% 前後、nvidia-smi を 0.7 秒間隔でサンプリング)。8GB の VRAM は足りているが、Python 側のループが GPU を待たせている。

指示(instruct)は効く。「明るく元気で、少し早口で話してください。」を付けた場合も RTF 1.56 で、品質面の機能は期待どおり。

4. リアルタイム再生(ストリーミング) #

「読み上げ」としては、合成が速いことより**最初の音がいつ出るか**が重要なので、パイプで鳴らしっぱなしにする経路も試した。

Piper → pacat(raw PCM) #

venv/bin/python -m piper -m ja_JP-hi_fi_captain-medium.onnx -i in_long.txt \
  --output-raw --sentence-silence 0.2 \
| pacat --raw --format=s16le --rate=22050 --channels=1
time to first audio chunk: 0.92s
stream finished: 20.17s wall, 18.37s audio, RTF 1.098

最初のチャンクが 0.92 秒で出て、あとは再生に追いつきながら合成が続く(wall が音声長とほぼ同じ = 実時間で流れている)。**Piper + pacat が一番「読み上げ」らしい**。

Kokoro → paplay(文ごとに分割) #

split_pattern を渡すと文単位でチャンクが出てくるので、前の文を鳴らしている間に次の文を作れる。

$ venv/bin/python kokoro_stream_split.py cuda noplay 2
pipeline load 2.21s (cuda)
pass0 chunk 0: 1.73s audio generated at 1.46s ('こんにちは。')
pass0 chunk 1: 3.90s audio generated at 1.55s ('これはWSL2上での音声読み上げのテスト')
pass0 chunk 2: 2.40s audio generated at 1.62s ('今日はいい天気ですね。')
pass0 chunk 3: 7.25s audio generated at 1.73s ('音声合成の速度と品質を確認するために、少')
pass0 chunk 4: 4.42s audio generated at 1.81s ('ココロは82メガパラメータの軽量なモデル')
pass1 chunk 0: 1.73s audio generated at 0.05s ('こんにちは。')
pass1: first chunk ready at 0.05s, audio 19.70s, synth wall 0.36s (RTF 0.018)

split_pattern を渡さない場合は全文が 1 チャンク(17.43 秒)になり、初音まで 1.68 秒かかった。文分割した方が初音は早く、メモリも一定で済む。ただし文分割しても 1 文目の生成に 1.5 秒かかるので、**プロセスを立ち上げてから最初の音までは Piper より遅い**(Piper は 0.92 秒)。同じプロセスで 2 回目以降を読ませるなら Kokoro が圧倒的に速い。

5. 試していないもの(と、その理由) #

候補状態理由
Voicebox (jamiepine/voicebox)未検証Docker が入っていない。WSL2 内で Docker を動かすには root が要る(この環境ではエージェントに root を渡していない)。GPU パススルー以前の前提が揃わない
VOICEVOX未検証エンジンの配布物が .7z で、展開に p7zip か py7zr が要る。加えて「Windows 側で起動して WSL から叩く」構成はこの環境では不可(interop=false、/mnt/c 空)。Linux 版エンジンを WSL2 内で動かすのが筋
Chatterbox未検証torch==2.6.0 をピンするので、新しい torch と衝突する。8GB では動くはずだが、今回の目的(日本語の読み上げ)に対して優先度が低い
vLLM バックエンドの Qwen3-TTS未検証Qwen3-TTS の README は vLLM を挙げている。実時間化の本命だが、vLLM のインストールと sm_120 向けビルドの確認に時間がかかるため今回は見送り。ドライバを CUDA 13.4 にしたので cu13 系の wheel は選びやすくなっている
Piper の GPU 実行未検証onnxruntime-gpu を入れれば --cuda が使えるはず。CPU で RTF 0.07 なので優先度は低い

このうち次にやりたいのは **vLLM バックエンドの Qwen3-TTS** だけで、ほかは優先度が低い。Qwen3-TTS は VRAM には余裕があり、遅さの原因も Python のループと分かっているので、バックエンドを替えて RTF が 1.0 を切るかを確かめる価値がある。Voicebox は root が前提なので、この環境の方針(root を渡さない)とそもそも噛み合わない。

6. 推奨 #

  • **日本語の長文を淡々と読ませたい** → Kokoro 82M (GPU)。RTF 0.014、VRAM 783MiB、文単位ストリーミングで初音 1.5 秒(ウォームなら 0.05 秒)。ボイスも 5 種類ある。
  • **GPU を空けたい / 別の作業と同時に回したい** → Piper。CPU だけで RTF 0.07、--output-raw | pacat で実時間再生。初音も 0.9 秒と一番早い。
  • **声を clone したい / 口調を指示したい / 品質優先** → Qwen3-TTS 1.7B。VRAM 4GB で載るが、素の qwen-tts では実時間に届かないので、長文を流し読みさせる用途には vLLM などの検討が必要。
  • **キャラクター音声が欲しい** → VOICEVOX(今回は未検証)。WSL2 内で Linux 版エンジンを動かし、localhost:50021 に HTTP で投げる形が素直。

7. 後片付け #

この検証で増えたのは **作業ディレクトリ ~/tts-lab(初回の残骸込みで 16GB)と ~/tts-lab-retry(追試分で 7.4GB)**、**HF キャッシュ(約 6.9GB)**、**uv のキャッシュ(約 15GB)**。システム側(/usr や apt)は一切変更していない(sudo を使っていない)。

uv はキャッシュから venv へハードリンクを張るので、venv 単体の du は実際より大きく出る(du -sh ~/tts-lab-retry/venv は 6.7GB だが、~/tts-lab-retry 全体で 7.4GB)。

# 1. 作業ディレクトリ(venv・モデル・生成した wav)
du -sh ~/tts-lab ~/tts-lab-retry   # 16GB / 7.4GB
rm -rf ~/tts-lab ~/tts-lab-retry

# 2. Hugging Face のキャッシュ(Qwen の重みが大半)
du -sh ~/.cache/huggingface/hub/* | sort -h   # 0.6B 2.4GB / 1.7B 4.3GB / Kokoro 313MB
rm -rf ~/.cache/huggingface/hub/models--Qwen--Qwen3-TTS-12Hz-0.6B-CustomVoice \
       ~/.cache/huggingface/hub/models--Qwen--Qwen3-TTS-12Hz-1.7B-CustomVoice \
       ~/.cache/huggingface/hub/models--hexgrad--Kokoro-82M
# 他のモデル(例: FLUX)を消さないよう、消す対象は名前で指定する

# 3. uv のキャッシュ(wheel と Python 3.12 の実体)
du -sh ~/.cache/uv ~/.local/share/uv   # 15GB / 111MB
rm -rf ~/.cache/uv ~/.local/share/uv   # 他の uv プロジェクトと共有なので、残すなら `uv cache prune` だけでもよい

# 4. 一時ファイル
rm -rf /tmp/opencode/tts /tmp/opencode/*.log /tmp/opencode/*.wav /tmp/*.deb

~/tts-lab/debs には apt-get download した .deb の展開物が入っている。paplay / pactl をシステムに入れていないので、消すと音を出す手段も一緒に消える。

確認:

ls /usr/bin/paplay /usr/bin/pactl   # 無い(システムには入れていない)
ls ~/tts-lab ~/tts-lab-retry        # 無い
  • uv 本体(~/.local/bin/uv)は他の作業でも使うので消していない。消すなら rm ~/.local/bin/uv ~/.local/bin/uvx。
  • .zshrc / .bashrc / .profile は変更していない(uv のインストーラは既存の ~/.local/bin を見て PATH 追記をしなかった)。編集した心当たりがある場合は . "/tmp/opencode/uv/env" のような行が残っていないか確認する。この行は /tmp を指しているので、再起動で消えると壊れる。

WSL2 の VHDX は、ゲスト側で消しても Windows 側のファイルサイズは自動では縮まない。気になる場合だけ Windows 側で:

# PowerShell(管理者)
wsl --shutdown
wsl --manage Ubuntu-26.04 --set-sparse true
# うまくいかない場合は diskpart の compact vdisk、または Optimize-VHD

付録: 使ったスクリプト #

計測に使ったものは ~/tts-lab(追試は ~/tts-lab-retry)に置いた(後片付けで消える)。要点だけ残す。

Piper のストリーミング再生(piper_stream_play.py) #

import json, os, subprocess, sys, time

root = os.path.expanduser("~/tts-lab/debs/root")
env = dict(os.environ, LD_LIBRARY_PATH=f"{root}/usr/lib/x86_64-linux-gnu:{root}/usr/lib/x86_64-linux-gnu/pulseaudio")
sr = json.load(open(sys.argv[1] + ".json"))["audio"]["sample_rate"]

t0 = time.perf_counter()
piper = subprocess.Popen([sys.executable, "-m", "piper", "-m", sys.argv[1], "-i", sys.argv[2],
                          "--output-raw", "--sentence-silence", "0.2"],
                         stdout=subprocess.PIPE, stderr=subprocess.DEVNULL)
player = subprocess.Popen([f"{root}/usr/bin/pacat", "--raw", "--format=s16le",
                           f"--rate={sr}", "--channels=1"], stdin=subprocess.PIPE, env=env)
first = None
nbytes = 0
while (buf := piper.stdout.read(4096)):
    if first is None:
        first = time.perf_counter() - t0
        print(f"time to first audio chunk: {first:.2f}s")
    nbytes += len(buf)
    player.stdin.write(buf); player.stdin.flush()
piper.wait(); player.stdin.close(); player.wait()
el = time.perf_counter() - t0
print(f"{el:.2f}s wall, {nbytes / 2 / sr:.2f}s audio, RTF {el / (nbytes / 2 / sr):.3f}")

Kokoro のベンチ(kokoro_bench.py の要点) #

import time, numpy as np, torch
from kokoro import KPipeline

pipe = KPipeline(lang_code="j", device="cuda")     # device を渡さないと CPU
for run in range(2):                               # 1 回目はウォームアップ
    t0 = time.perf_counter()
    chunks = [a for _, _, a in pipe(text, voice="jf_alpha")]
    el = time.perf_counter() - t0
    audio = np.concatenate([c.cpu().numpy() for c in chunks])
    print(f"RTF {el / (len(audio) / 24000):.3f}")
print("peak GPU mem", torch.cuda.max_memory_allocated() / 2**20, "MiB")

Kokoro の文分割ストリーミング(kokoro_stream_split.py の要点) #

t0 = time.perf_counter()
first = None
for i, (gs, ps, audio) in enumerate(pipe(text, voice="jf_alpha", speed=1.0,
                                        split_pattern=r"(?<=[。.!?!?])")):
    dur = len(audio) / 24000
    if first is None:
        first = time.perf_counter() - t0
    # audio を wav にして paplay に渡す(前の文を鳴らしている間に次の文ができる)

split_pattern には「句点の後ろ」を表す後読みを使う。producer をスレッドにして queue で再生側へ渡すと、生成と再生が重なる。

Qwen3-TTS の内訳(qwen_profile.py の要点) #

codes, _ = model.model.generate(input_ids=input_ids, instruct_ids=[None],
                                languages=["Japanese"], non_streaming_mode=True)
wavs, sr = model.model.speech_tokenizer.decode([{"audio_codes": c} for c in codes])

自己回帰生成とデコードを分けて時間を測ると、遅さの所在(生成ループ)がはっきりする。