1.8GBでCPUでも動く声のクローン。オーディオブック向けの読み上げAI「Tontaube V1.1」が4bit版を公開
Craitechの音声合成モデル「Tontaube V1.1」は、5〜60秒の音声から声をまねて長文を読み上げられるTTSです。今回の4bit版はダウンロード約1.8GBで、GPUなしのCPUでも動きます。話す速さや間、抑揚を調整できる5つのスライダーも加わりました。

GPUなしでも長文を読み上げ
David Hendrickson(@TeksEdge)は2026年11月15日09:05 JSTに、「1.8GBのローカルAIモデルが声をクローンして、オーディオブックを丸ごとRyzenのCPUで読み上げられる。GPU不要」としてTontaube V1.1を紹介しました。Qwen3ベースの2.9BのTTSモデルで、重みは4bitのGPTQで1.8GBとしています。
Hugging Faceのモデルカードによると、RTX 5090ではストリーミングで最初の音声が出るまで中央値192ms、1リクエストで実時間の約13倍の速さで合成。12コアのデスクトップCPUでもほぼ実時間で合成できるそうです。
使い方とV1.1で増えたこと
GitHubのcraitech/tontaubeから推論サーバーを起動し、ローカルのAPIにテキストを送るとWAVが返ってくる仕組みです。声のクローンは5〜60秒ほどのクリアな1人分の音声をリクエストに添えるだけ。ブラウザ用のインターフェースやDockerも用意されています。
V1からの変更点は、5つのスタイルスライダー、デコード後の音を整えるVibeVoiceアダプター、そして小さなGPUやCPUで動く4bit版の追加です。フル精度(bf16、約6.4GB)版はvLLMバックエンド用で、24GiB以上のNVIDIA GPUが必要です。2026年11月16日05:55 JST時点で投稿は30,094表示、1,230いいね、1,330ブックマークです。
