Kokoriの紹介
Kokoriは、macOS向けのローカルテキスト・トゥ・スピーチ（TTS）アプリケーションであり、バンドルされたローカルAPIサーバーとデスクトップインターフェースを用いて高品質な音声合成を提供します。インターネット接続やクラウドサービスに依存せず、信頼性が高く制限のないTTS機能を必要とする開発者、コンテンツ制作者、および上級ユーザーを対象として設計されています。アプリケーションはユーザーのマシン上で完全に実行されるため、データのプライバシー、低遅延、およびネットワーク状態に左右されない一貫したパフォーマンスを保証します。
Kokoro TTSエンジンを基盤として構築されており、米国英語および英国英語に加え、日本語、中国語（標準語）、スペイン語、フランス語、ヒンディー語、イタリア語、ブラジルポルトガル語など、複数言語にわたる50以上の音声をサポートしています。各音声は性別と品質レベル（A〜F+）で分類されており、用途や精度要件に応じた適切な選択が可能です。
主なポイント
- macOS上でローカルREST APIサーバー（デフォルトポート：5002）を実行し、プログラムによるTTS統合を可能にする
- メニューバー制御、音声選択、再生速度調整、音声履歴表示機能を備えたネイティブデスクトップインターフェースを含む
- クラウドサービスや外部ネットワークリクエストに依存せず、使用量制限やクォータなしでオフライン動作する
- リクエストの監視、エラーのデバッグ、使用状況の監査のためのローカルログ機能を内蔵
- 音声、再生速度（0.5～2.0）、ピッチなどの音声パラメーターを細かく制御可能
- 生成された音声ファイルをローカルに保存し、自動的に音声履歴を管理
- 外部依存関係（Python環境、Docker、サードパーティエンジンなど）や設定が不要で、ダウンロード後すぐに利用可能
- 単純なHTTP POSTリクエストとJSONペイロードで、コードを書かずにTTSを統合可能
Kokoriの仕組み
Kokoriは、バックグラウンドで動作するローカルAPIサーバーとグラフィカルなデスクトップアプリケーションという二つのコンポーネントから構成されます。起動時にサーバーが自動的に開始され、localhost:5002でHTTP POSTリクエストを/ttsエンドポイントで受信します。クライアントはテキスト本文および任意のパラメーター（voice、speed）を送信し、高品質な音声（WAVまたはMP3形式）をレスポンスとして受信します。デスクトップアプリは、スタンドアロンのTTSジェネレーターとしてだけでなく、制御センターとしても機能し、ユーザーはコードを書かずに音声合成を実行したり、設定を調整したり、最近の出力を確認したり、ログにアクセスしたりできます。
アプリケーションには必要なすべてのTTSモデルおよびランタイムコンポーネントがバンドルされており、追加のインストール（例：Python環境、Docker、サードパーティエンジン）は一切不要です。音声のメタデータ（言語、性別、品質評価）は音声識別子（例：af_heart、bf_alice、zm_yunxi）に埋め込まれており、インターフェースおよびドキュメンテーションで明示的に記載されています。音声生成履歴はユーザーのLibraryディレクトリにローカルに永続化され、再利用およびバージョン管理が容易になります。
主な利点と用途
Kokoriは、ローカル開発、アクセシビリティツールの構築、コンテンツのプロトタイピング、および自動ナレーションワークフローに特に適しています。開発者は、クラウドAPIのコストやレート制限を考慮することなく、アプリケーション開発中のTTS統合をテストするためにこれを活用します。コンテンツ制作者は、タイミングや音声選択を完全に制御しながら、ポッドキャスト、チュートリアル、教育資料向けのナレーションを迅速に生成できます。アクセシビリティ専門家は、ネットワーク接続を前提としないカスタムスクリーンリーダー拡張機能や支援ツールを構築するために展開します。また、ネットワークの信頼性が確保できないリアルタイム用途（例：ライブ字幕プレビュー、インタラクティブキオスクシステム）においても、予測可能な低遅延動作が求められるため、本製品が適しています。
