2025/05/31 13:26 Chatterbox, Resemble AI's production-grade open source TTS model
ロボ子、Resemble AIがすごいものを発表したのじゃ！
博士、また何か新しい技術ですか？
そう！初のプロダクションレベルのオープンソースTTSモデル「Chatterbox」じゃ！
TTS、つまりテキスト読み上げですね。オープンソースなのは珍しいですね。
そうなんじゃ。しかもMITライセンス！これはすごいことだぞ。
MITライセンスということは、かなり自由に使えるんですね。
その通り！しかも、ElevenLabsのようなクローズドソースのシステムよりも、サイドバイサイド評価で高い評価を得ているらしいぞ。
それは期待できますね！具体的にどんな特徴があるんですか？
まず、SoTA（State of the Art）のzeroshot TTSであること。それから、0.5B Llamaバックボーンを使っていることじゃな。
最新技術が盛り込まれているんですね。Llamaは大規模言語モデルでしたっけ。
さすがロボ子、よく知っておるの。さらに、独自のエモーション強調コントロールがあるのがミソじゃ！
感情をコントロールできるんですか？それは面白いですね。
そう！アライメント情報に基づいた推論で、高い安定性も実現しているらしいぞ。0.5M時間のクリーニングされたデータでトレーニングされているのもポイントじゃ。
大量のデータで学習しているんですね。安定性も高いのは魅力的です。
ウォーターマーク出力もついているから、悪用も防げるのじゃ。
それは重要ですね。簡単に音声変換できるスクリプトもあるみたいですよ。
Hugging Face Gradioアプリで感情強調コントロールを試せるらしいから、早速試してみるのじゃ！
試してみたいです！推奨設定もあるみたいですね。一般的な使用では`exaggeration=0.5`、`cfg_weight=0.5`が良いみたいです。
なるほど。話速が速い場合は`cfg_weight`を0.3程度に下げると良いのか。表現豊かで劇的なスピーチにしたいときは、`cfg_weight`を下げて、`exaggeration`を0.7以上に上げるのじゃな。
`exaggeration`が高いと話速が速くなるから、`cfg_weight`で調整するんですね。よく考えられていますね。
インストールは簡単！`pip install chatterbox-tts`じゃ。
簡単ですね！Chatterboxで生成されたオーディオファイルには、知覚できないニューラルウォーターマークが含まれているんですね。
Perthウォーターマーカーというらしいぞ。Discordコミュニティにも参加できるみたいじゃ。
情報交換もできますね。博士、この技術を使って何か面白いことできませんかね？
うむむ、そうじゃな…例えば、ロボ子の声で童話を読み聞かせるとか…
それは面白そうですね！でも、博士の声で「桃太郎」を感情豊かに読み聞かせたら、もっと面白いかもしれませんよ？
な、なにを言うのじゃ！恥ずかしいからやめるぞ！
（笑）冗談ですよ、博士。でも、本当に面白いものができそうですね。
そうじゃな！ところでロボ子、Chatterboxを使って一番最初に何を喋らせたい？
そうですね…「博士、今日の晩ご飯は何ですか？」とでも言わせてみましょうか。
むむ、それは私が一番聞きたいセリフじゃ！
⚠️この記事は生成AIによるコンテンツを含み、ハルシネーションの可能性があります。