Tortoise TTS on Ubuntu — 超高品質多声テキスト音声合成のセットアップ

Ubuntu で Tortoise TTS を動かすと、市販のナレーションと見紛うほどの高品質な音声が手元で生成できます。結論を先に書くと、pip install tortoise-tts の1コマンドでインストールは完了しますが、モデルが約3GB・実用レベルにはGPU推奨（CPU動作は非常に低速）という点は事前に把握しておく必要があります。

本記事では Ubuntu 24.04 LTS を対象に、システム依存パッケージの導入から音声生成の実行まで、つまずきやすいポイントをまとめました。PyPI での確認バージョンは tortoise-tts 3.0.0（2026年6月21日時点）です。

この記事のポイント

Tortoise TTS は pip install tortoise-tts でインストール。依存パッケージは transformers==4.31.0 で固定
Ubuntu 24.04（Python 3.12）より Ubuntu 22.04（Python 3.10） のほうが互換性トラブルが少ない
GPU（CUDA）がない環境でも動くが、CPU 動作は非常に低速。本番用途は GPU 必須（コミュニティ報告では CPU で数分〜十数分/文）
初回実行時にモデルが自動ダウンロード（約3GB）。ストレージ容量に余裕を確認してから始める
espeak-ng・ffmpeg・libsndfile1 がないとエラーになる。apt で先に入れる

Tortoise TTS とは
動作環境・前提条件
STEP 1：システム依存パッケージのインストール
STEP 2：Python 仮想環境（venv）の作成
STEP 3：PyTorch のインストール
STEP 4：tortoise-tts のインストール
STEP 5：音声を生成する
音声クローニング（Voice Cloning）
よくあるエラーと解決策
まとめ

Tortoise TTS とは

Tortoise TTS は、James Betker（neonbjb）が開発したオープンソースのテキスト音声合成（TTS）ライブラリです。市販の音声読み上げエンジンと比べても遜色ない自然さが特徴で、自動回帰トランスフォーマー・拡散モデル・Vocoder（UnivNet）を組み合わせた多段階アーキテクチャにより実現しています。

最大の特徴は「音声クローニング」機能です。数秒〜数十秒のサンプル音声を与えるだけで、その話者の声質を模した音声を生成できます。ポッドキャストの制作支援や、個人ゲームプロジェクトのナレーション、音声アシスタントの試作などに使われています。

Tortoise TTS GitHub リポジトリ（neonbjb/tortoise-tts）

注意：メンテナンス状況について

2023年以降、オリジナルリポジトリ（neonbjb/tortoise-tts）の更新は止まっています。コードは安定していて動作しますが、最新の PyTorch や transformers との互換性問題が発生することがあります。本記事のパッケージバージョンは PyPI JSON API（tortoise-tts 3.0.0）と Ubuntu コンテナでの apt-cache 実確認をもとに記述しています。

動作環境・前提条件

本記事の手順は以下の環境を対象としています。

項目	推奨	最低限
OS	Ubuntu 22.04 LTS（Python 3.10）	Ubuntu 22.04 / 24.04
Python	3.10.x（22.04 デフォルト）	3.8 以上
GPU	NVIDIA GPU（CUDA 11.8+）	不要（CPU 動作可・低速）
VRAM	8GB 以上	4GB（品質モード制限あり）
RAM	16GB 以上	8GB
ストレージ	10GB 以上の空き	5GB（モデル 3GB 含む）

Ubuntu 22.04 vs 24.04 パッケージバージョン比較（apt-cache 実測）

PyPI で確認すると、tortoise-tts 3.0.0 の requires_python: ">=3.6" とありますが、依存パッケージの transformers==4.31.0 が Python 3.12 との相性で問題が出ることがあります。Ubuntu 22.04（Python 3.10）での構築を推奨します。

STEP 1：システム依存パッケージのインストール

tortoise-tts は内部で espeak-ng（テキスト正規化）・ffmpeg（音声エンコード）・libsndfile1（WAV読み書き）を使います。これらは pip では入らないので apt で先にインストールします。

apt install 依存パッケージ（ubuntu:24.04 / apt-cache 確認バージョン）

ubuntu@linuxlab: ~

$ sudo apt-get update && sudo apt-get install -y \
python3 python3-pip python3-venv \
ffmpeg espeak-ng libsndfile1 git
Reading package lists… Done
Building dependency tree… Done
Setting up python3 (3.12.3-0ubuntu2.1) …
Setting up ffmpeg (7:6.1.1-3ubuntu5) …
Setting up espeak-ng (1.51+dfsg-12build1) …
Setting up libsndfile1 (1.2.2-1ubuntu5.24.04.1) …

インストール後、バージョンを確認します。

ubuntu@linuxlab: ~

$ python3 –version && ffmpeg -version 2>&1 | head -1 && espeak-ng –version
Python 3.12.3
ffmpeg version 7:6.1.1-3ubuntu5 Copyright (c) 2000-2023 the FFmpeg developers
eSpeak NG text-to-speech: 1.51 Data at: /usr/lib/x86_64-linux-gnu/espeak-ng-data

Ubuntu 24.04 では Python 3.12 が、Ubuntu 22.04 では Python 3.10 が入ります。apt-cache show python3 で確認したバージョンは以下の通りです（apt-cache 実測）。

Ubuntu 22.04：python3 3.10.6・ffmpeg 7:4.4.2・espeak-ng 1.50
Ubuntu 24.04：python3 3.12.3・ffmpeg 7:6.1.1・espeak-ng 1.51

STEP 2：Python 仮想環境（venv）の作成

システムの Python を汚さないよう、venv で専用環境を作ります。tortoise-tts が transformers==4.31.0 を固定で要求するため、他の ML プロジェクトと venv を分けておくことが特に重要です。

ubuntu@linuxlab: ~

$ python3 -m venv ~/tortoise_env
$ source ~/tortoise_env/bin/activate
(tortoise_env) $
(tortoise_env) $ pip install –upgrade pip
Successfully installed pip-25.1.1

以降のコマンドはすべて (tortoise_env) が付いた状態（venv 有効化済み）で実行します。シェルを再起動した場合は source ~/tortoise_env/bin/activate を再実行してください。

STEP 3：PyTorch のインストール

Tortoise TTS は PyTorch を直接インストールしないため、先に自分で入れる必要があります。環境によってコマンドが変わる点が最初のつまずきポイントです。

このセクションのターミナル出力について

STEP 3〜5 のターミナル出力例は PyPI 実測データ（tortoise-tts 3.0.0）と公式ドキュメントをもとに作成した参考例です。この記事での実機インストール・実行は行っておらず、実際の出力と細部が異なる場合があります。

①GPU なし（CPU 動作確認用）

ubuntu@linuxlab: ~ (CPU版 torch)

(tortoise_env) $ pip install torch torchaudio \
–index-url https://download.pytorch.org/whl/cpu
Downloading torch-2.5.1+cpu-cp310-cp310-linux_x86_64.whl (210 MB)
━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 210.0/210.0 MB 12.3 MB/s
Successfully installed torch-2.5.1+cpu torchaudio-2.5.1+cpu
# CPU版: 動作確認には使えるが、音声生成が非常に低速（1文あたり数分〜）

②CUDA 11.8 環境（NVIDIA GPU あり）

ubuntu@linuxlab: ~ (CUDA 11.8 版 torch)

(tortoise_env) $ pip install torch torchaudio \
–index-url https://download.pytorch.org/whl/cu118
Successfully installed torch-2.5.1+cu118 torchaudio-2.5.1+cu118
# CUDA 12.x 環境なら cu121 / cu124 を選ぶ（nvidia-smi で確認）

どの CUDA バージョンを選ぶかは nvidia-smi の出力（右上の “CUDA Version:” 行）で確認します。PyTorch 公式（pytorch.org/get-started/locally）でも選択ツールが提供されています。

STEP 4：tortoise-tts のインストール

PyTorch が入ったら、いよいよ本体をインストールします。

ubuntu@linuxlab: ~

# 参考出力例（PyPI 3.0.0 の依存関係をもとに作成）
(tortoise_env) $ pip install tortoise-tts
Collecting tortoise-tts==3.0.0
Collecting transformers==4.31.0 (from tortoise-tts)
Collecting librosa (from tortoise-tts)
Collecting einops (from tortoise-tts)
Successfully installed tortoise-tts-3.0.0 transformers-4.31.0
librosa-0.10.2 einops-0.8.0 rotary-embedding-torch-0.6.5
scipy-1.14.1 tqdm inflect progressbar unidecode tokenizers
(tortoise_env) $ python3 -c “import tortoise; print(tortoise.__version__)”
3.0.0

PyPI の実測データから確認した主要依存パッケージです。特に transformers==4.31.0 はバージョンが固定されており、最新の transformers（4.40+）とは同居できません。

transformers のバージョン固定について

tortoise-tts は transformers==4.31.0 を要求します。別の ML プロジェクトで transformers の最新版を使っている場合、pip install tortoise-tts を実行するとダウングレードされてしまいます。必ず 専用の venv を用意してください。

STEP 5：音声を生成する

インストールが完了したら、簡単なスクリプトで音声を生成してみます。初回実行時は自動でモデルファイル（約 3GB）がダウンロードされます。ダウンロードが終わるまで画面上は止まったように見えますが、しばらく待ってください。

①基本的な音声生成スクリプト

ubuntu@linuxlab: ~ (generate_tts.py)

# 参考出力例（この記事での実行ログではありません）
(tortoise_env) $ cat <<‘EOF’ > generate_tts.py
import torchaudio
from tortoise.api import TextToSpeech
from tortoise.utils.audio import load_voices

tts = TextToSpeech()

text = “Hello, this is Tortoise TTS speaking.”
voice_samples, conditioning_latents = load_voices([“random”])
gen = tts.tts_with_preset(
text,
voice_samples=voice_samples,
conditioning_latents=conditioning_latents,
preset=”fast”
)
torchaudio.save(“output.wav”, gen.squeeze(0).cpu(), 24000)
print(“Saved: output.wav”)
EOF
(tortoise_env) $ python3 generate_tts.py
# 初回はモデルダウンロードで数分かかります
Saved: output.wav

② preset（品質）の選択

Tortoise TTS には音質と速度を調整できる preset オプションがあります。

preset	音質	CPU 速度目安※	GPU 速度目安※	用途
`ultra_fast`	低め	2〜5分/文	5〜15秒/文	プロトタイプ・動作確認
`fast`	中程度	5〜15分/文	15〜45秒/文	開発・テスト
`standard`	高品質	15〜60分/文	1〜3分/文	本番・コンテンツ制作
`high_quality`	最高品質	数時間/文	3〜10分/文	最終納品物

※ 速度目安はコミュニティ報告（GitHub Issues / Reddit）をもとにした概算。環境・テキスト長で大きく変動します。この記事での実測は行っていません。

CPU でも動くと書きましたが、standard 以上は実用的な速度では動きません。コミュニティの報告を見ると ultra_fast でも 1 文あたり数分かかるとあります。まずは ultra_fast で動作確認し、音質に納得できたら GPU 環境（RunPod などのクラウド GPU）への移行を検討してください。

音声クローニング（Voice Cloning）

Tortoise TTS の最大の特徴が、自分や特定の話者の声を模した音声を生成できる「音声クローニング」です。5〜10 秒程度の WAV サンプルが数枚あれば試せます。

ubuntu@linuxlab: ~ (音声クローニング手順)

# 参考コマンド例（この記事での実行ログではありません）
# 話者ディレクトリを作って WAV サンプルを置く
(tortoise_env) $ mkdir -p ~/.local/share/tts/tortoise/voices/myvoice
(tortoise_env) $ cp sample1.wav sample2.wav ~/.local/share/tts/tortoise/voices/myvoice/
# スクリプトで “myvoice” を指定して生成
(tortoise_env) $ python3 -c ”
from tortoise.api import TextToSpeech
from tortoise.utils.audio import load_voices
tts = TextToSpeech()
samples, latents = load_voices([‘myvoice’])
gen = tts.tts_with_preset(‘こんにちは、テスト音声です。’, voice_samples=samples, conditioning_latents=latents, preset=’fast’)
import torchaudio; torchaudio.save(‘cloned.wav’, gen.squeeze(0).cpu(), 24000)
print(‘Saved: cloned.wav’)”
Saved: cloned.wav

日本語音声の生成について

Tortoise TTS は英語を主として設計されています。日本語テキストでも動作しますが、発音の精度は英語より大幅に落ちます。日本語 TTS として使う場合は別途 Style-Bert-VITS2 や COEIROINK などの日本語特化モデルを検討してください。

よくあるエラーと解決策

① ModuleNotFoundError: No module named 'espeak'

espeak-ng が入っていない場合に起こります。

ubuntu@linuxlab: ~

ModuleNotFoundError: No module named ‘espeak’
# → apt でインストール
$ sudo apt-get install -y espeak-ng
Setting up espeak-ng (1.51+dfsg-12build1) …

② CUDA out of memory

GPU の VRAM が不足しています。preset を ultra_fast に下げるか、テキストを短く分割してください。

ubuntu@linuxlab: ~

RuntimeError: CUDA out of memory. Tried to allocate 2.00 GiB
# → preset を下げるか CPU モードで実行
(tortoise_env) $ python3 -c ”
import torch
tts = TextToSpeech(use_deepspeed=False, kv_cache=True, half=True)
# half=True で VRAM 使用量を半減”

③ ImportError related to transformers

最新の transformers が入っている環境に tortoise-tts をインストールしようとすると、4.31.0 にダウングレードされてエラーが連鎖することがあります。

ubuntu@linuxlab: ~

ERROR: pip’s dependency resolver does not currently take into account all the packages
# → 専用 venv を作り直す
$ deactivate
$ python3 -m venv ~/tortoise_fresh_env
$ source ~/tortoise_fresh_env/bin/activate
(tortoise_fresh_env) $ pip install torch torchaudio –index-url https://download.pytorch.org/whl/cpu
(tortoise_fresh_env) $ pip install tortoise-tts
Successfully installed tortoise-tts-3.0.0

④ Python 3.12 で AttributeError: module 'distutils' has no attribute 'version'

Ubuntu 24.04（Python 3.12）では distutils が削除されており、古い ML ライブラリでエラーが出ることがあります。

ubuntu@linuxlab: ~

AttributeError: module ‘distutils’ has no attribute ‘version’
# → setuptools で distutils を補う
(tortoise_env) $ pip install “setuptools<65.0.0”
# または Ubuntu 22.04（Python 3.10）に切り替えを検討