きっかけ
仕事でテキストを音声に変換する必要があって、今までクラウドTTSサービスに頼ってた。でも毎月の費用が積み重なるし、インターネット接続が必須というのも地味に不便。「ローカルで動く選択肢ないかな」と探してたときにこのリポジトリを見つけた。音声認識（STT）側もローカル高速化したい場合はInsanely Fast WhisperでWhisper推論を10倍高速化する方法も参照してみてください。
使ってみた
GitHubからクローンして、README通りにセットアップしたら本当にすぐ動いた。Dockerがある環境なら docker run のコマンド一行で起動する。HTTPサーバーが立ち上がるので、あとはリクエストを投げるだけ。自分は Python から requests ライブラリで叩いてみたんだけど、返ってくる音声のクオリティにびっくりした。クラウドサービスと比較しても遜色ないレベル。
ここが良い
なんといってもオフライン完全対応なのが最高。一度セットアップしたら、インターネット接続がなくても動く。だから音声生成の遅延がほぼ0。50個テキストを投げても、API呼び出しの待ち時間がないから、処理時間は本当に短い。それにAPIの月額費用がゼロになるのは、大きいプロジェクトだと相当な削減になる。あと自分の環境で完全にコントロールできるから、生成される音声のパラメータも細かく調整できる。
気になった点
ドキュメントがまだ最小限というか、細かいカスタマイズ方法の説明が少ない。あと初期セットアップで必要なモデルファイルのダウンロードが重いので、初回起動は時間がかかる。ネットワーク環境によっては結構待つことになる。
まとめ
音声生成でコスト削減とレイテンシ改善の両方を狙う人には、本気でおすすめする。特にバッチ処理で大量の音声を生成する必要がある環境なら、このツールの価値は本当に高い。自分はもう手放せないツールになってます。RealtimeTTSとの比較も気になる方はRealtimeTTSでPython音声合成をリアルタイム化する方法も合わせてチェックしてみてください。