AI開発 ガイド

ローカル音声合成（TTS）・リアルタイム音声対話向けPC構成ガイド 2026年版：Style-Bert-VITS2 / AivisSpeech / CosyVoice を快適に動かすVRAMとCPU

ローカルTTS・音声対話を自宅で動かすPC構成を用途別に解説。Style-Bert-VITS2 / AivisSpeech / CosyVoice / Qwen3-TTS の必要VRAM（2〜8GB）、リアルタイム性（RTF）、Whisper→LLM→TTS の音声対話パイプラインを1台で回すVRAM配分まで、最小構成から推奨構成まで具体的に示します。

  • #ローカルTTS
  • #Style-Bert-VITS2
  • #AivisSpeech
  • #CosyVoice
  • #音声対話
  • #Whisper
  • #VRAM
  • #RTX 3060

本記事は Amazon.co.jp および各販売店のアフィリエイトリンクを含む場合があります。推奨は性能・コスパ・実機ベンチマーク基準で編集判断しており、提供記事は受け付けていません。詳細は プライバシーポリシー をご覧ください。

ローカルTTS・音声対話向けPC構成 2026:Style-Bert-VITS2 / AivisSpeech / CosyVoice の必要VRAMと音声対話パイプラインのVRAM配分

結論：日本語のローカルTTS（音声合成）を試すだけなら、推論時のVRAMは2〜3GBで足りるので、RTX 3060 12GB クラス、あるいは AivisSpeech のように CPU でも動く構成で十分です。音声クローンや「マイクで話す→AIが声で返す」リアルタイム音声対話まで1台で回したいなら、Whisper（STT）+ ローカルLLM + TTS を同時に載せられる 16GB VRAM 以上（RTX 4070 Ti SUPER / 5070 Ti クラス）が現実的な下限。高品質な音声をバッチ大量生成するなら RTX 4090 / 5090 です。

ローカルLLMの世界では「テキストを読む（Whisper による文字起こし）」側は Whisper 文字起こしベンチマーク や Whisper 文字起こし・要約PCガイド でカバーしてきました。一方で「テキストを声にする（TTS）」、そして「声で対話する」側のPC構成は、2024年後半から2026年にかけて環境が一気に整ったにもかかわらず、まとまった情報が少ないままです。

本記事は、Style-Bert-VITS2 / AivisSpeech / CosyVoice / Qwen3-TTS という2026年6月時点の主要ローカルTTSを「自宅PCで快適に動かす」ことだけを前提に、必要VRAM・リアルタイム性（RTF）・用途別の構成を整理します。

まず用語：RTF（リアルタイムファクター）とは

TTSのPC要件を考えるとき、最重要の指標が RTF（Real-Time Factor、リアルタイムファクター） です。

  • RTF = 音声を生成するのにかかった計算時間 ÷ 生成された音声の長さ
  • RTF < 1.0 なら「再生に間に合う速度で生成できている」= リアルタイム可能
  • RTF 0.3 なら、10秒の音声を3秒で生成できる（余裕あり）
  • RTF 2.0 なら、10秒の音声に20秒かかる（リアルタイム対話には不向き、ナレーション等のバッチ生成向き）

VRAMが足りていても、GPUが非力だとRTFが1.0を超えて「対話がもたつく」ことになります。逆に、ナレーション動画用に「品質重視で時間はかけてよい」なら、RTFが1を多少超えても問題ありません。用途がリアルタイム対話かバッチ生成かで、必要なPCは変わる、というのがこの記事の背骨です。

主要ローカルTTSの特徴と必要VRAM（2026年6月時点）

エンジン言語・特徴推論VRAM目安音声クローンリアルタイム性
Style-Bert-VITS2日本語品質が高い。JP-Extra モデルで自然約 2〜3GB（CPUでも可）数十秒の音声で可RTFは小さく対話向き
AivisSpeechStyle-Bert-VITS2 系をVOICEVOX互換で手軽に。GUI完結CPU〜軽量GPUで可AIVM/AIVMX モデル利用CPUでも実用域
CosyVoice 2多言語・ストリーミング・ゼロショット音声クローン0.5Bモデルで約 8GBゼロショット（数秒の参照音声）ストリーミング対応で低遅延
Qwen3-TTS多言語・自然な抑揚。クラウド/ローカル両系統モデル規模次第（中〜大）モデル次第モデル次第

ポイントは、日本語のTTSは思ったよりずっと軽いということです。Style-Bert-VITS2 の推論はVRAM 2〜3GB程度で動き、CUDAが使えない環境では CPU 推論（--device cpu）にも対応しています。AivisSpeech に至っては VOICEVOX 系の使い勝手で、CPU や軽量GPUでも実用的な速度が出ます。「とりあえず日本語で自然な音声合成を試したい」なら、ハイエンドGPUは不要です。

一方で、多言語・ゼロショット音声クローン・ストリーミング生成まで踏み込むと CosyVoice 2 のような大きめのモデルが必要になり、VRAMも8GB級に上がります。CosyVoice 2 はストリーミング合成に対応しており、最初の音声チャンクが返るまでの遅延（first-package latency）が短いのが特徴で、音声対話のレスポンスに向いています。

注：上記VRAMは推論（音声生成）時の目安です。自分の声でモデルを**学習（ファインチューニング）**する場合は別物で、Style-Bert-VITS2 の学習はバッチサイズに応じて VRAM が増えます（おおよそ「4 + 2×バッチサイズ」GB が目安。バッチ4で12GB前後）。学習までやるなら 12〜24GB VRAM を見ておくと安心です。

用途別PC構成 3段階

構成1：日本語TTSを個人で試す（CPU〜RTX 3060 12GB）

「自作の読み上げ、ゲーム実況の合成音声、動画のナレーション下書き」あたりが目的なら、これで十分です。

パーツ推奨理由
GPURTX 3060 12GB / RTX 4060（または無しでCPU運用）Style-Bert-VITS2 推論は2〜3GBで足りる。12GBあれば学習も視野
CPURyzen 5 / Core i5 クラスAivisSpeech の CPU 推論もここで実用域
メモリ16〜32GBモデル＋OSで問題なし
ストレージNVMe SSD 1TBモデルと生成物の保存。速度は Gen4 で十分

Style-Bert-VITS2 / AivisSpeech はこのクラスで快適に動きます。GPUを積めば学習（自分の声・キャラ音声の作成）まで射程に入りますが、推論だけならCPUでも回るのが日本語TTSの強みです。SSDの世代差はここでは効きません（Gen4 vs Gen5 SSD の違い）。

構成2：音声クローン＋リアルタイム音声対話を1台で（RTX 4070 Ti SUPER / 5070 Ti、VRAM 16GB）

「マイクで話しかけると、AIが考えて、声で返してくる」という音声対話アシスタントを自前で組む場合、ボトルネックは 3つのモデルを同時にVRAMへ載せることです。

音声対話パイプラインは次の3段で構成されます。

  1. STT（音声→テキスト）：Whisper でマイク入力を文字起こし
  2. LLM（テキスト→テキスト）：ローカルLLMが応答を生成
  3. TTS（テキスト→音声）：Style-Bert-VITS2 / CosyVoice が声で返す

これを1枚のGPUに同居させるVRAM配分の目安が次です。

役割モデル例VRAM目安
STTfaster-whisper（large-v3, int8）約 1.5〜3GB
LLM8B 級 Q4_K_M（応答生成）約 5〜6GB
TTSStyle-Bert-VITS2約 2〜3GB
KVキャッシュ・余裕（特定なし）約 2〜3GB
合計（全体）約 12〜15GB

つまり 16GB VRAM のGPU（RTX 4070 Ti SUPER / 5070 Ti クラス）があれば、STT + 8B LLM + TTS を1台に収めて音声対話を回せる計算になります。これが「1台で音声対話」の現実的な下限です。CosyVoice 2 を使う場合はTTS側が8GB級に膨らむため、LLMを小さめ（3B〜7B）にするか、24GB VRAM（RTX 4090 / 5090）に上げると安定します。

このパイプラインは、Whisper 文字起こし・要約PCガイド で扱った「STT→要約」の延長線上にあります。要約の代わりに会話用LLMを置き、出力をテキストではなく音声に変えたもの、と捉えると構成が掴みやすいはずです。LLM側の選定は ローカルLLMを動かすPCの最低スペック も参照してください。

パーツ推奨
GPURTX 4070 Ti SUPER 16GB / RTX 5070 Ti 16GB
CPURyzen 7 / Core i7 クラス
メモリ32GB（64GB あると余裕）
ストレージNVMe SSD 1〜2TB

構成3：高品質音声のバッチ大量生成（RTX 4090 / 5090、VRAM 24〜32GB）

ナレーション動画、オーディオブック、キャラクターボイスの大量生成など「品質最優先・本数多め」の用途では、VRAMと演算性能に余裕のある RTX 4090（24GB）/ RTX 5090（32GB）が効きます。

  • 複数話者・複数モデルを切り替えながら並列生成しても VRAM が枯渇しにくい
  • CosyVoice 2 のような大きめモデルと、別のLLM・画像生成を同居させても余裕
  • 音声クローンの学習（ファインチューニング）も快適

この帯域では、TTS単体性能よりも「他のAIワークロード（LLM・画像生成・動画生成）と共存できるか」が選定軸になります。GPUのVRAM容量とモデルの関係は VRAM容量別・動かせるモデル早見表 に整理しています。

よくある誤解：「TTSにはハイエンドGPUが要る」は半分間違い

画像生成や70B級LLMの印象から「AI音声にも強力なGPUが必須」と思われがちですが、日本語TTSの推論はむしろ軽い部類です。重くなるのは次のケースです。

  • 音声対話で3モデルを同居させるとき（STT+LLM+TTSの合算でVRAMが効く）
  • 大きめの多言語モデル（CosyVoice 2 等）を使うとき
  • 自分でモデルを学習するとき（バッチサイズ次第でVRAMが伸びる）
  • 大量バッチ生成で並列度を上げるとき

逆に言えば、「日本語で1キャラ分の音声を、リアルタイムでなくてもいいから合成したい」だけなら、手持ちのミドルレンジGPU、場合によってはCPUだけでも始められます。まず構成1で試し、対話やクローンに踏み込む段階で構成2・3へ上げる、という順序が無駄がありません。

入手先・関連商品

当サイトは Amazon.co.jp アソシエイト・プログラムに参加予定です。下記リンク経由で購入された場合、紹介料を受け取ることがあります。読者の負担は増えません。リンクは記事評価とは独立しており、編集判断には影響しません。

TTSを試す（構成1）

音声対話を1台で回す（構成2）

高品質バッチ生成（構成3）

あなたに合うPCを診断する

用途や予算をもう少し細かく入力すると、3つの候補構成を提案します。

→ 診断スタート

関連記事