Irodori-TTSの使い方｜インストール不要・無料・ブラウザ完結で読み上げる方法

「Irodori-TTS」は、日本語の文章を自然な声で読み上げる音声合成 AI で、声の雰囲気を文章で指定したり、絵文字で感情を付けたりできます。ただ、公式の手順で使うには「Python」の環境を用意してターミナルでコマンドを実行する必要があり、GPU の無い PC では CPU の性能によって生成に時間がかかります。

私は、この Irodori-TTS のモデルを使い、ブラウザ上のみで動作する音声合成の Web アプリを開発して、自分が運営している「Media Tools」で公開しています。ページを開いて文章を入力するだけで音声ファイルを生成でき、インストールも会員登録も必要ありません。

この記事では、Irodori-TTS でできることと、公式の手順（Python）で使う方法を説明したうえで、インストール不要でブラウザから使う手順を、実際に生成したサンプル音声と合わせて紹介します。

この記事でわかること 

• Irodori-TTS でできること
• Irodori-TTS を使う 3 つの方法の違い
• 公式の手順（Python）で Irodori-TTS を使う方法
• インストール不要でブラウザから使う手順

ブラウザで読み上げる方法に必要なのは、GPU のある PC と、Chrome か Edge だけです。Python やコマンドの知識は必要ありませんが、iPhone・iPad では利用できません。

Irodori-TTS とは 

「Irodori-TTS」は、Aratako 氏が開発して 2026 年に公開した、日本語専用の音声合成 AI です。コードは「GitHub」、モデルは「Hugging Face」で公開されています。2026 年 10 月時点では、8 月に公開された「v4.1-Small」が標準のモデルです。9 月には、音声を生成する計算の繰り返しを 40 回から 4 回に減らして速くした「v4.1-Small-MF」も公開されました。

Irodori-TTS でできること 

Hugging Face のモデルの説明ページ（モデルカード）と GitHub の説明に書かれている、主な機能は次のとおりです。

• 声の説明（キャプション）を文章で書いて、声を指定する
• 参照音声（声の見本の音声ファイル）を読み込ませて、その声を複製する
• 文章に絵文字を入れて、感情や話し方、笑い声や溜息などの声以外の音を付ける
• 文章から、音声の長さを自動で予測する

声の説明には、「落ち着いた、近い距離感の女性話者」のように、どんな人がどんな話し方をしているかを書きます。絵文字は公式の一覧に 45 種類あり、同じ絵文字を重ねて入れると効果が強くなると説明されています。

ライセンスは MIT で、公式のモデルカードには生成した音声の使い道を制限する条件はありません（大きいモデルの「v4-Large」だけは Gemma の利用規約に従います）。そのかわり、本人の同意なく声を複製することと、人をだます目的で音声を生成することを、倫理上の制限として禁じています。

Irodori-TTS を使う 3 つの方法 

Irodori-TTS を使う方法には、公式の手順で PC に導入する方法、公式のデモを使う方法、ブラウザ上のみで動作する、私が開発した Web アプリを使う方法の 3 つがあります。公式のデモは、Hugging Face が提供する GPU のサーバー（「ZeroGPU」）の上で動作していて、ページを開けばどの端末からでも利用できます。

公式のデモの利用量の上限は、Hugging Face の ZeroGPU の説明に書かれている 2026 年 10 月時点の値です。上限に近づくと、GPU の順番待ちでの優先度が下がります。

私が開発した Web アプリで参照音声による声の複製ができないのは、Web アプリの側では声の持ち主の同意を確かめる方法が無く、他人の声の無断の複製に使われるおそれがあるため、その機能を意図して搭載していないからです。

私は、参照音声で特定の声を複製したい場合は公式の手順かデモを、コマンドを使わずに長い文章を音声にしたい場合や、文章を外部に送信したくない場合は私が開発した Web アプリを選ぶのがよいと考えています。GPU の無い PC しか無い場合は、公式のデモが一番手軽です。

公式の手順（Python）で Irodori-TTS を使う方法 

公式の手順では、GitHub からリポジトリを取得し、Python のパッケージ管理ツール「uv」で必要なライブラリをインストールしてから、コマンドか「Gradio」の画面で音声を生成します。私はこの記事のために、2026 年 10 月に Linux（Ubuntu）の PC で、GPU を使わない CPU だけの手順を試しました。Windows と NVIDIA の GPU 向けのコマンドは、公式の README と uv の説明から引いています。

用意するもの 

• 「Git」と「uv」（Python はリポジトリが指定する 3.10 を uv が取得するので、別に用意する必要はありません）
• NVIDIA の GPU を搭載した PC（GPU が無くても CPU で動作しますが、生成に時間がかかります）
• 空き容量: ライブラリに約 1.9 GB（cpu を指定した場合）と、モデルに約 3.4 GB（v4.1-Small-MF。v4.1-Small も使うとさらに約 2.9 GB）

Windows では、Git と uv をコマンドプロンプトか PowerShell から「winget」でインストールできます。

winget install --id Git.Git -e --source winget
winget install --id=astral-sh.uv -e

macOS と Linux の uv は、curl -LsSf https://astral.sh/uv/install.sh | sh でインストールします。

インストールする 

リポジトリを取得して、必要なライブラリをインストールします。

git clone https://github.com/Aratako/Irodori-TTS.git
cd Irodori-TTS
uv sync --extra cu128

--extra の値は GPU の種類に合わせて選び、NVIDIA は cu128、AMD（Linux）は rocm、Intel は xpu、GPU を使わない場合と Mac は cpu を指定します。私の環境（cpu）では、uv sync が約 7 秒で終わりました。

コマンドで音声を生成する 

声の説明（--caption）を付けて、参照音声を使わずに（--no-ref）読み上げるコマンドです。

uv run --no-sync python infer.py \
  --hf-checkpoint Aratako/Irodori-TTS-v4.1-Small-MF \
  --text "日本の四季は、それぞれに違った表情を見せてくれます。" \
  --caption "柔らかく落ち着いた声の大人の女性。物語を朗読するように、ゆっくり丁寧に読んでいる。" \
  --no-ref \
  --output-wav outputs/sample.wav

行末の \ は長いコマンドを複数の行に分けて書くための記号で、Windows のコマンドプロンプトや PowerShell では使えないので、Windows では次のように 1 行で入力します。

uv run --no-sync python infer.py --hf-checkpoint Aratako/Irodori-TTS-v4.1-Small-MF --text "日本の四季は、それぞれに違った表情を見せてくれます。" --caption "柔らかく落ち着いた声の大人の女性。物語を朗読するように、ゆっくり丁寧に読んでいる。" --no-ref --output-wav outputs/sample.wav

初回はモデルを Hugging Face から取得するので、そのぶん時間がかかります。--hf-checkpoint を Aratako/Irodori-TTS-v4.1-Small にすると、計算を 40 回繰り返す標準のモデルで生成します。

私の PC の CPU（Ryzen 7 8745H。GPU は使わない設定）で、上の例より長い 73 文字の文章（17 秒の音声）を生成すると、生成そのものは v4.1-Small-MF で約 13 秒、v4.1-Small で約 40 秒でした。ただしコマンドは実行のたびにモデルの読み込みからやり直すので、2 回目でもコマンド全体では約 21 秒（v4.1-Small-MF）かかり、モデルの取得を含む初回は約 78 秒かかりました。

画面（Gradio）で使う 

コマンドを書かずに使いたい場合は、声の説明を入力できる画面を起動します。

uv run --no-sync python gradio_app_voicedesign.py

起動したらブラウザで http://localhost:7861 を開き、「Text」に文章、「Caption / Style Prompt (optional)」に声の説明を入力して「Generate」を押します。既定のモデルは v4.1-Small（計算の繰り返しが 40 回）で、初回はモデルの取得と読み込みから始まります。私の PC の CPU では、5.4 秒の音声の生成に約 16 秒かかりました。README の例にある --server-name 0.0.0.0 を付けると、同じネットワークのほかの端末からもこの画面を開けるようになるので、自分の PC だけで使う場合は付けません。

公式の手順で使うときの注意点 

• GPU が無いと、音声の生成に時間がかかります。2026 年 5 月の「GIGAZINE の記事」の検証（当時のバージョン）では、5 秒の音声の生成に GPU（RTX 5070 Ti）で約 3 秒、CPU で約 90 秒かかっています
• 1 回に生成できる音声は、公式のコードの既定値で 30 秒までです。長い文章は分けて生成し、あとでつなぐ必要があります
• 声の説明も参照音声も指定しないと、声は乱数で決まるため、生成するたびに違う声になります
• 公式のモデルカードの制限事項によると、珍しい人名・専門用語・文脈で読みが変わる漢字は、読み間違えることがあります
• 読み上げられるのは日本語の文章だけです

GPU 搭載の PC があり、コマンドの操作に慣れている人なら、公式の手順で導入すると、参照音声を使った声の複製や細かい設定まで含めて、すべての機能を利用できます。

インストール不要でブラウザから使う手順 

私が開発した Web アプリは、「Media Tools」の「テキスト読み上げ」のページで利用できます。Irodori-TTS v4.1 のモデルを、ブラウザの GPU の機能（「WebGPU」）で動作する形式に変換して読み込み、文章と声の説明を外部へ送信せずに、ブラウザ上で音声を生成します。変換したモデルで生成した音声は、元のモデルで生成した音声と私が聞き比べて、違いが分からないことを確かめています。

テキスト読み上げ（AI 音声合成）— 無料の読み上げソフト・会員登録不要 | Media Tools

日本語の文章を AI で読み上げ、MP3・WAV などの音声ファイルにする無料ツールです。会員登録とアプリのインストールは必要ありません。文章はブラウザ内で処理し、外部に送信しません。声の雰囲気を文章で指定でき、絵文字で感情や話し方も付けられます。文字数の上限はありません。GPU のある PC の Chrome・Edge で動作します。

media.tools.ryusei.io

用意するもの 

• GPU のある PC（Windows・Mac・Linux）
• 「Chrome」か「Edge」
• ブラウザに保存するモデルのための、約 1.7 GB の空き容量（「高品質」も使う場合は、さらに約 0.7 GB）
• Wi-Fi など、通信量に制限のない回線（初回のモデルの取得に使います）

GPU は内蔵のものでも動作し、私のミニ PC（Ryzen 7 8745H の内蔵 GPU）で、この記事のサンプル音声をすべて生成しました。iPhone・iPad では、モデルを読み込むとページが使用できるメモリの上限を超えるため、モデルの取得を始める前に止まるようにしてあります。Android と Mac の Safari でも動作しますが、端末によっては途中で止まることがあります。

1. 文章を入力して読み上げる 

1. 「テキスト読み上げ」のページを開き、「文章」の欄に読み上げたい文章を入力する
2. 「声と品質」の「品質」で、「標準」か「高品質」を選ぶ
3. 「読み上げる」を押す
4. 初回はモデルの取得の確認が表示されるので、「取得して読み上げる」を押す

「標準」は v4.1-Small-MF（計算の繰り返しが 4 回）で、「高品質」は v4.1-Small（40 回）で音声を生成します。どちらで生成しても声の説明と絵文字は同じように使用できますが、私が聞き比べた範囲では、「高品質」のほうが声のばらつきが少なく安定していました。

私の PC で、73 文字の文章を「標準」で初めて読み上げたときは、約 1.7 GB のモデルの取得に約 64 秒、読み込みに約 11 秒、音声の生成に約 12 秒かかりました。同じページでもう一度読み上げると、モデルの取得と読み込みが不要になり、17.5 秒の音声を約 10 秒で生成できました。「高品質」に切り替えると、追加のモデル（約 0.7 GB）の取得に約 23 秒かかり、17.4 秒の音声の生成に約 52 秒かかりました。

次の 2 つが、同じ文章を「女性（朗読）」の声で読み上げた音声です。1 つ目が「標準」、2 つ目が「高品質」で生成したものです。

文章は文の区切りで分けて順に生成し、1 つの音声ファイルにつなぎます。2 つ目以降の部分は、最初に生成した部分の音声を声の見本にして生成するので、文章が長くても途中で声が変わりません。公式の手順の 30 秒の上限も無く、文字数の上限もありません。生成の時間は GPU の性能によって変わりますが、一度読み上げると、入力欄の下にその PC で測った時間の目安が表示されるようになります。

2. 声を選ぶ 

声は「声」の欄で選びます。用意してある 6 種類の声から選ぶか、「声の説明を自分で書く」を選んで、自分で声の説明を入力します。6 種類の声も、中身は Irodori-TTS に渡す声の説明の文章です。

上の「女性（朗読）」と同じ文章を、ほかの 3 種類の声で「高品質」で読み上げました。順に「男性（ナレーション）」「男性（落ち着いた・ニュース風）」「女性（明るい）」です。

声の説明を自分で書くときは、性別・年代・声の高さ・話す速さ・感情・場面を、1〜2 文の日本語で書きます（200 文字まで）。公式の例にある「余裕のある大人の男性。親しい相手に対して、くだけた雰囲気で呆れながらも楽しそうに話している。」のように、人物と話し方を具体的に書くと、説明に近い声になります。公式のモデルカードでは、複雑な説明や矛盾した説明は結果が安定しないとされているので、条件を詰め込みすぎないようにします。

同じ声の説明でも、乱数が変わると声が変わります。気に入らなければ結果の欄の「別の声で試す」で再生成し、気に入った声は「この声を保存」でブラウザに保存しておくと、ほかの文章も同じ声で読み上げられます。声の説明だけでは、読み上げる文章が変わると声も変わるので、同じ声で何本も生成するなら保存が必要です。

3. 絵文字で感情を付ける 

文章に絵文字を入れると、その絵文字が表す感情や話し方で読み上げます。入力欄の下の「感情・話し方の絵文字」を開くと、公式の 45 種類のうち 42 種類が、意味と一緒に並びます。ボタンを押すと、カーソルの位置に絵文字が挿入されます。

公式の一覧から、ナレーションや会話でよく使うものを抜き出すと、次のとおりです。

この Web アプリのパレットの説明には、感情の絵文字は文の冒頭に入れ、笑いや溜息などの音の絵文字は、その音を出したい位置に入れるよう書いています。感情の絵文字を文末に入れると、読み上げが不自然になることがあったためです。次の 4 つは、「ほんとに来てくれたの？ありがとう。」を「女性（落ち着いた）」の声で読み上げたもので、順に絵文字なし、😊、😭、👂 を文の冒頭に入れています。

絵文字を自分で選ぶのが手間な場合は、「感情を自動で付ける」を押すと、AI が文ごとに感情を判定して、文の冒頭に絵文字を付けます。この AI もブラウザ上で動作し、Chrome に内蔵の AI を利用できる PC ではそれを使用し、利用できない場合は「Gemma 4」（約 2.9 GB）を取得して使用します。

4. 音声ファイルで保存する 

読み上げが終わると、「読み上げた音声」の欄で再生と保存ができます。「出力の設定」の「出力形式」では MP3・M4A・WAV・Opus を選択でき、「サンプルレート」は 48 kHz（既定）・44.1 kHz・22.05 kHz・16 kHz から選択できます。既定の MP3 で保存すると、17.5 秒の音声が約 410 KB でした。

保存した後に出力の設定を変えた場合は、「この設定で書き出し直す」を押すと、再生成せずに、別の形式の音声ファイルとして保存できます。生成した音声は自由に使用でき、クレジット表記も必要ありません。ただし、実在の人物になりすます用途や、実在の人物の発言だと誤認させる用途での利用は禁止しています。

うまく読めないとき 

読み間違えた語は、「読みの辞書」に語と読み仮名を追加すると、読み上げの前に本文の語を辞書の読みに置き換えて読みます。たとえば「資料は十部ご用意ください」の「十部」は、私が試したときは漢数字のままだと 3 回とも違う読み方になり、「10部」と算用数字で書くか、辞書で「じゅうぶ」と登録すると正しく読みました。このため、入力欄の下にも、数字を算用数字で書くよう案内を表示しています。

一部分だけ読み違えたときは、「部分ごとの聞き直しと作り直し」の欄で、読み違えた部分の「作り直す」を押すと、その部分だけを再生成できます。辞書に語を追加してから再生成すると、辞書の読みで読み上げます。

よくある質問 

Irodori-TTS は無料で利用できますか？

利用できます。公式のモデルとコードは MIT ライセンスで無料で公開されていて、公式のデモも無料で利用できます（1 日の利用量に上限があります）。私が開発した Web アプリも無料で、会員登録も必要ありません。

Irodori-TTS で生成した音声は商用利用できますか？クレジット表記は必要ですか？

できます。MIT ライセンスが著作権の表示を求めているのは、モデルやコードを配布する場合で、公式のモデルカードには生成した音声の使い道を制限する条件はありません。私が開発した Web アプリで生成した音声も、クレジット表記なしで使用できます。どちらも、本人の同意のない声の複製や、人をだます目的での利用は禁止されています。

スマートフォンでも利用できますか？

公式のデモはスマートフォンのブラウザからも利用できます。私が開発した Web アプリは iPhone・iPad では利用できず、Android では端末によっては途中で止まることがあるため、GPU のある PC の Chrome か Edge で使ってください。公式の手順での導入は PC が対象です。

GPU の無い PC でも利用できますか？

公式の手順で導入すれば、CPU でも動作します。私の PC の CPU（Ryzen 7 8745H）では、17 秒の音声の生成に v4.1-Small-MF で約 13 秒、v4.1-Small で約 40 秒かかりました。私が開発した Web アプリは WebGPU が必要ですが、内蔵の GPU でも動作し、同じ PC の内蔵 GPU では、17.5 秒の音声を「標準」で約 10 秒で生成できました。

入力した文章はサーバーに送信されますか？

公式の手順で導入した場合と私が開発した Web アプリでは、文章は外部に送信されません。公式のデモは Hugging Face のサーバーで音声を生成するため、文章もサーバーへ送信されます。私が開発した Web アプリは、不具合を直すための処理の統計（端末の性能、文章のおおよその文字数と文の数、エラーの種類など。文章そのものと声の説明は含みません）を Media Tools のサーバーへ送っていて、ページの下部の「サービス品質向上へのご協力のお願い」にあるスイッチで停止できます。

自分の声や好きな声を複製できますか？

公式の手順とデモでは、参照音声を読み込ませて声を複製できます（本人の同意が必要です）。私が開発した Web アプリには、他人の声を無断で複製することに使われないよう、録音や音声ファイルから声を複製する機能を意図して搭載していません。声は声の説明で指定し、気に入った声は「この声を保存」でブラウザに保存できます。

英語の文章も読み上げられますか？

読み上げられません。Irodori-TTS は日本語の文章だけに対応していて、英単語は日本語の読み方に近い発音になります。

まとめ 

Irodori-TTS は、声の説明と絵文字で声や感情を指定できる日本語の音声合成 AI で、公式の手順で導入するほか、公式のデモか、私が開発した Web アプリで利用できます。Python の環境を用意せずに長い文章を音声にしたい場合は、この Web アプリなら、GPU のある PC のブラウザだけで済みます。

• 公式の手順は、Python・uv・Git の導入が必要で、1 回に生成できる音声は 30 秒までです
• 公式のデモは手軽ですが、文章が Hugging Face のサーバーへ送信され、1 日の利用量に上限があります
• 私が開発した Web アプリは、文章を外部に送信せず、長い文章も同じ声で読み上げられます
• 声は 6 種類の声か声の説明で選び、感情は文の冒頭に入れた絵文字で指定します
• 読み違いは、算用数字で書くか「読みの辞書」に追加して直します

関連記事とツール 

SRT 字幕を自動生成｜無料・アップロード不要で動画に字幕をつける | Transcriber

音声や動画からタイムコード付きの SRT 字幕を自動生成する無料ツール。会員登録不要で使えます。ブラウザ内で処理するため、ファイルは外部に送信されません。動画を再生しながら字幕を確認し、書き出す前に文言を修正できます。話者ごとの区別も付けられます。

transcriber.tools.ryusei.io

【完全無料】動画の文字起こしから字幕挿入までブラウザーだけで済ませる方法 | Ryusei.IO

動画に字幕を入れるのに、ソフトのインストールもファイルのアップロードも必要ありません。ブラウザーだけで文字起こしから SRT の作成、字幕の焼き込み（ハードサブ）まで済ませる手順を、無料・アカウント登録不要で説明します。

ryusei.io