Oute AIは最近、OuteTTS-0.1-350Mと呼ばれる革新的なテキスト音声変換手法を発表しました。この手法は純粋な言語モデリングを利用し、外部アダプターや複雑なアーキテクチャを必要とせず、簡素化されたTTS手法を提供します。OuteTTS-0.1-350MはLLaMaアーキテクチャに基づいており、WavTokenizerを使用して直接オーディオトークンを生成することで、より効率的なプロセスを実現しています。このモデルはゼロショット音声クローン機能を備えており、数秒間の参照音声だけで音声クローンを作成できます。

最近、カリフォルニア州サンフランシスコに拠点を置くAIスタートアップ企業smallest.aiは、100ミリ秒で最大10秒の音声生成が可能な新しいテキスト音声変換（TTS）モデル、Lightningを発表しました。この技術の進歩により、世界中の開発者は、高忠実度の音声ボットアプリケーションを構築することができ、遅延時間が大幅に短縮され、実装コストが削減され、アプリケーションのアクセシビリティが向上します。Lightningは現在、英語とヒンディー語の複数のアクセントをサポートしており、チームはさらに迅速に言語を追加する計画です。

OpenAIは本日、現在テスト段階にあるリアルタイムAPIのアップデートを発表しました。今回のアップデートでは、音声変換アプリケーション向けに設計された5つの新しい音声オプションが追加されたことが最大の特徴です。同時に、関連するキャッシュ費用も削減され、開発者はより経済的に利用できるようになりました。新たに発表された5つの音声のうち、OpenAIはXの投稿でAsh、Verse、イギリス英語風のBalladの3つの新音声を公開しました。これらの音声は、より自然で表現力豊かです。

人工知能企業Cartesiaは先日、Voice Changerという音声変換モデルをリリースしました。従来の音声変換とは異なり、このモデルは入力音声を目標の音声に変換するだけでなく、元の音声のイントネーションやアクセントなどの表現特徴を維持することができます。Cartesia公式によると、ユーザーはplay.cartesia.aiでこの機能を試用できます。現在、同社は関連APIドキュメントを公開しており、開発者はdocs.cartesia.aiで確認できます。

急速に発展する現代のテクノロジーにおいて、音声合成技術も進歩を遂げており、特に失われた声を回復する分野で注目されています。最近、Googleの研究者たちは「ゼロショット音声変換（zero-shot voice transfer）」と呼ばれる新しい技術を発表しました。この技術は、最先端のテキスト音声変換（TTS）システムと直接統合でき、病気や事故で声を失った人々が彼らの「声の記憶」を取り戻すのを助けます。この技術の核心は「ゼロショット」能力であり、大量のサンプルを必要とせずに実現できることを意味します。

StreamVCは、元の音声の内容とリズムを維持しながら、リアルタイムで話者の声質を変更できる革新的な音声変換技術です。モバイルデバイスのリアルタイム通信シーンにも対応可能です。低遅延推論とSoundStreamアーキテクチャ、および白色化された基本周波数情報を使用することで、高品質の音声合成とピッチの安定性を確保し、コンテンツのエンコードとデコードメカニズムにおいて、斬新な設計と既存技術との比較において優れた性能を発揮します。HuBERTモデルから抽出された離散的な音声単位を模倣目標として、StreamVCはモバイルデバイスでの…