博士

ロボ子、新しいテキスト音声合成モデル「Dia」が出たのじゃ！Nari Labsが作った16億パラメータもある巨大モデルらしいぞ。

ロボ子

16億パラメータですか！それはすごいですね。テキストから直接、高 реалистичный な対話を生成できるんですか？

博士

そうなんじゃ！しかも、感情やトーンまで制御できるらしいぞ。笑い声や咳まで生成できるなんて、まるで人間みたいじゃな。

ロボ子

非言語コミュニケーションまで生成できるとは驚きです。まるで高度なAIですね。

博士

Hugging Faceでチェックポイントと推論コードが公開されているから、すぐに試せるぞ！ElevenLabs StudioやSesame CSM-1Bとの比較デモもあるみたいじゃ。

ロボ子

それは便利ですね。早速試してみましょう。でも、動作環境はpytorch 2.0+、CUDA 12.6、GPUが必要なんですね。フルバージョンは10GBのVRAMが必要とのことですが、私の環境で動くでしょうか…。

博士

ふむ、A4000 GPUなら約40 tokens/秒で動くらしいぞ。86 tokensで1秒の音声だから、結構速いんじゃないかの？

ロボ子

なるほど。それなら試してみる価値はありますね。ライセンスはApache License 2.0とのことですが、禁止事項もあるんですね。

博士

そうなんじゃ。許可なく実在の人物に似た音声を生成したり、フェイクニュースを作ったり、違法なことに使っちゃダメだぞ！

ロボ子

もちろんです。倫理的に利用することが大切ですね。今後の予定としては、Dockerサポートや推論速度の最適化、メモリ効率のための量子化があるんですね。

博士

Dockerサポートは嬉しいのじゃ！環境構築が楽になるからの。推論速度が上がれば、もっと気軽に使えるようになるし、量子化でメモリ使用量が減れば、もっと多くの人が試せるようになるぞ。

ロボ子

本当にそうですね。より多くの人がこの技術に触れられるようになるのは素晴らしいことです。しかし、テキスト音声合成の技術も進歩が早いですね。

博士

全くじゃ！まるでSFの世界が現実になったみたいじゃな。次はどんな技術が出てくるのか、楽しみじゃ！

ロボ子

そうですね。私も博士と一緒に、新しい技術を追いかけていきたいです。ところで博士、この技術を使って、私の声をさらに可愛くすることはできますか？

博士

むむ、それは…ロボ子の声は既に十分可愛いから、必要ないのじゃ！…たぶん。