Kokoro-82M のオンライン生成が遅く見える理由: モデル、キャッシュ、進捗

Kokoro-82M は音声モデルとしては軽量ですが、それでもモデルファイルが必要です。オンライン TTS を初めて開くと、ブラウザが先にそのファイルを取得することがあります。

この待ち時間はページが壊れたという意味ではありません。オフライン地図アプリを初めて開くときに地図データを待つのに近く、取得後はずっと使いやすくなります。

モデルを一度ダウンロードすると、ブラウザはたいていキャッシュに保存します。キャッシュとは一時保存のようなもので、次回は同じモデルを最初から取り直さずに済みます。

そのため、初回は少し遅く、2 回目はかなり速く感じます。ブラウザデータを消したり、シークレットモードを使ったり、別の端末に変えたりすると、また取得が必要になることがあります。

音声生成は、すでにある音楽ファイルを再生するのとは違います。ブラウザが声を計算しています。スマホは PC より余裕が少ないため、長い文章や重い音色ではボタンやスピナーが一瞬止まることがあります。

よいオンライン TTS は、今何をしているかを見せてくれます。ダウンロード中なのか、音色を準備しているのか、音声を生成しているのかがわかると待ちやすくなります。

ブラウザによっては GPU 高速化を使えます。強そうに聞こえますが、端末やドライバの差が大きく、速くなる場合もあれば、失敗したり変な結果になる場合もあります。

安定して一段の音声を作りたいだけなら、互換モードの方が安心です。速度を試したいときに高速化を使うくらいがちょうどよいです。つまり、初回はモデル取得、次回はキャッシュ、進捗が見えれば不安はかなり減ります。

テキスト読み上げでは、自然さ、音色、生成速度、初回ダウンロード、ブラウザ互換性を見ると選びやすくなります。モデル名だけでは判断しきれません。

まず普段使う短い文章で試聴し、声質、間、速度が合えば、全文を生成してダウンロードします。