TTS 品質・性能ベンチマーク比較表¶

提案書で「数字で勝てる」を示すための公開ベンチマーク数値集。

指標の定義: - MOS: Mean Opinion Score (5 段階主観品質、4.0 超で「自然」、4.3 超で「人間と区別困難」) - RTF: Real-Time Factor (推論時間/合成音声長、0.1 = 10 倍速) - TTFA: Time to First Audio (ストリーミング初音までの時間) - WER: Word Error Rate (zero-shot 系の文字起こし精度)

エグゼクティブサマリー¶

Piper-Plus の競争力マトリクス¶

✅ 数字で勝てる項目 (差別化軸)¶

指標	値	比較対象
RTF (GPU)	< 0.1	Fish S2 Pro 0.195、ElevenLabs N/A
TTFA	< 50ms	ElevenLabs < 500ms
モデルサイズ	18-35M params	Kokoro 82M、Fish S2 4B
組込実装実績	Raspberry Pi / ESP32 等多数	ほぼ唯一の実用例

⚠️ 数字で負ける項目 (要改善・捨てる)¶

指標	piper-plus	勝者
MOS	3.2-3.8	Kokoro 4.0+、Fish S2 4.5+、ElevenLabs v3 4.5+
対応言語数	35	Fish S2 Pro 80+
日本語ボイス数	2-3	VOICEVOX 200+
zero-shot 対応	非対応	Fish S2, Kokoro

→ 「軽量・高速・組込」で勝ち、「主観品質・話者数・zero-shot」を次世代モデルで埋める戦略の根拠。

ベンチマーク比較表 (主要指標)¶

モデル	MOS	RTF (GPU)	TTFA	パラメータ	言語数	zero-shot	ライセンス
piper / piper-plus	3.2-3.8	< 0.1	< 50ms	18-35M	35	✗	OSS (MIT/GPL)
Kokoro-82M	4.0+	中速	高速	82M	8	✓	Open weights
Fish Speech S2 Pro	4.5+ *	0.195	~100ms	4B	80+	✓	OSS
Style-Bert-VITS2	4.0+	中速 (GPU 必須)	中速	~100M	日本語ほぼ	✗	AGPL OSS
VOICEVOX	(公式未公開)	中速	中速	100-500M	日本語のみ	✗	LGPL OSS
GPT-SoVITS	4.0+	中速	中速	~250M	多言語	✓	OSS
Coqui XTTS-v2	3.8-4.0	中速	中速	~700M	16	✓	CPML (商用制限)
ElevenLabs v3	4.5+	N/A (cloud)	< 500ms	クローズド	30+	✓	商用 API
Cartesia Sonic-3	4.5+	N/A	~40ms **	クローズド	42	✓	商用 API
OpenAI Realtime TTS	4.5+	N/A	< 800ms	クローズド	50+	△	商用 API
AITalk (エーアイ)	4.0 (推定)	N/A	N/A	クローズド	日本語+α	✗	商用 SDK
HOYA ReadSpeaker	3.8-4.0 (推定)	N/A	N/A	クローズド	45	✗	商用 SDK
Cerence	4.0+ (推定)	N/A	N/A	クローズド	70+	△	商用 SDK

* Fish S2 Pro: Seed-TTS Eval WER 0.54-0.99% (最良)、Audio Turing Test 0.515
** Cartesia Sonic-3: sub-100ms 公称、on-device は更に高速

市場セグメント別ポジショニング¶

セグメント	最強モデル	第 2 位	piper-plus の位置
エッジ・IoT・モバイル組込	piper / piper-plus	KDDI N2 (旧世代)	首位
クラウド高品質	Fish S2 Pro / ElevenLabs	OpenAI	圏外 (next-gen で挑戦)
日本語特化	VOICEVOX	SBV2	コミュニティ流入で取りに行く
zero-shot voice cloning	Cartesia / ElevenLabs	Fish S2 / Kokoro	圏外 (next-gen で挑戦)
多言語 (10+)	Fish S2 Pro / Cartesia	OpenAI	中位 (35 言語あるが品質差)
OSS 完全 (学習+推論+ウェイト)	piper-plus	(なし)	首位

ベンチマークソース (信頼度別)¶

⭐⭐⭐⭐⭐ 最高信頼¶

モデル	ソース
Fish S2 Pro	arXiv:2603.08823 (WER 0.54-0.99%)、GitHub
Kokoro	HF Model Card、EVAL.md、TTS Spaces Arena
Piper	GitHub OHF-Voice/piper1-gpl

⭐⭐⭐⭐ 高信頼¶

モデル	ソース
ElevenLabs	公式ドキュメント・商用実装事例
Coqui XTTS	GitHub + ReadTheDocs
GPT-SoVITS	GitHub + 論文

⭐⭐⭐ 中信頼¶

モデル	ソース
VOICEVOX	voicevox.hiroshiba.jp、ベンチマーク非公開
AITalk	公開ベンチマーク限定
Cerence/HOYA/RECAIUS	クローズド、推定値のみ

piper-plus 差別化戦略 (このデータから言えること)¶

強み維持¶

エッジ・IoT 市場の RTF < 0.1 / TTFA < 50ms / モデル < 35M ポジションを失わない
ベンチマーク表自体を公式 Web に掲載 → 「SBV2 で動かなかったモバイル」検索ユーザー流入導線

弱点補強 (piper-plus 側で可能なもの)¶

日本語ボイス数 2-3 → 30+ (つくよみちゃん方式コーパス受入)
MOS 3.8 → 4.0+ (学習データ拡張・声優コラボ)
zero-shot 対応: 仕様調査のみ (本格実装は next-gen 側)

弱点補強 (next-gen 側で吸収するもの)¶

MOS 4.5+ (最新アーキテクチャ・zero-shot)
対応言語 80+ (Fish S2 Pro 並)
クラウド配信品質 (ElevenLabs / Cartesia 比較対抗)

提案書での見せ方 (テンプレ)¶

A. ゲーム会社向け¶

「Unity モバイル向け TTS で動作実証されているのは piper-plus のみ。
 RTF < 0.1 (60 FPS ゲーム内同期可)、TTFA < 50ms (リアルタイム発話)
 モデルサイズ < 35M (モバイル APK 容量制約クリア)」

B. ロボット・IoT 向け¶

「Raspberry Pi / ESP32 実装事例多数。Cortex-M4 級デバイスでの
 ニューラル TTS 動作が piper-plus の差別化軸。KDDI N2 (4MB) の
 旧世代 HMM 方式に対し、piper-plus はニューラル品質を維持。」

C. カーナビ・車載向け¶

「Cerence は車載業界標準だが、クラウド依存・多言語追加に時間。
 piper-plus はオンデバイス + 35 言語、TTFA < 50ms で
 ボイスアシスタント発話応答の体感速度を改善。」

D. コールセンター・IVR 向け¶

「Amazon Polly 等クラウド TTS は個人情報をクラウド送信。
 piper-plus はオンプレ・閉域展開可能、座席数連動課金から
 買い切り型へ移行で TCO 削減。」

自社ベンチマーク (継続的に計測すべき項目)¶

uPiper が公式に計測・公開すべき数値:

指標	計測条件	公開方法
MOS (日本語)	クラウドソーシング N=50	公式 Web + 比較 Demo
MOS (英語)	同上	同上
RTF (CPU x86)	Intel i5、ARM64、Cortex-M4 各種	ベンチマーク表
TTFA	ストリーミング有効時	同上
メモリ使用量	推論時ピーク	モデルカードに記載
モデルサイズ	パラメータ数・ディスク・量子化後	同上
言語別品質マトリクス	各言語の MOS	言語追加時