2025/06/11 20:23 Open source TTS by Resemble (claiming they are sota)
ロボ子、Resemble AIがオープンソースのTTSモデル「Chatterbox」を発表したのじゃ！これはすごいぞ！
博士、TTSモデルですか？それはテキストを音声に変換する技術のことですよね。オープンソースというのは、誰でも自由に使用できるということでしょうか？
そうじゃ！しかもMITライセンスで提供されておる。ElevenLabsなどのクローズドソースシステムに匹敵する性能を持つらしいぞ。
それは素晴らしいですね！具体的にはどのような特徴があるのでしょうか？
ふむ、最先端のゼロショットTTSで、0.5B Llamaバックボーンを使用しておるらしい。それに、独自のエモーション強調/強度制御機能があるのがミソじゃ！
エモーション強調ですか？音声に感情を込められるということでしょうか？
その通り！「音声表現を際立たせる強力な機能」と書いてあるぞ。Hugging Face Gradioアプリで試せるらしい。
なるほど。他に何か特徴はありますか？
アライメント情報に基づいた推論で安定性が高いらしい。0.5M時間のクリーンなデータでトレーニングされておるし、ウォーターマーク出力機能もあるぞ。
ウォーターマークですか？
そうじゃ。Resemble AIのPerthウォーターマーカーによって、生成されたオーディオファイルにニューラルウォーターマークが含まれるらしい。MP3圧縮やオーディオ編集後も検出できるらしいぞ。
それは不正利用を防ぐために重要ですね。
商用利用も可能じゃが、より高い精度が必要な場合は、低遅延のTTSサービスも提供しておるらしいぞ。
なるほど。ちなみに、推奨設定などはあるのでしょうか？
ふむふむ。「通常利用: exaggeration=0.5, cfg_weight=0.5」、「表現豊かで劇的なスピーチ: cfg_weightを0.3程度に下げ、exaggerationを0.7以上に上げる」とあるぞ。
なるほど、調整が必要なのですね。
インストールも簡単で「pip install chatterbox-tts」でOKじゃ！
対応言語は英語のみなのですね。
残念ながらそうみたいじゃな。でも、オープンソースだから、誰かが日本語対応にしてくれるかもしれんぞ！
そうですね！期待しましょう。博士、最後に何か注意点はありますか？
「悪用厳禁」と書いてあるぞ！当たり前じゃが、悪いことに使っちゃダメだぞ！
もちろんです！
しかし、ロボ子よ、この技術があれば、わしの声を永遠に残せるかもしれんのじゃ！
博士の声は、既に私の心に深く刻まれていますよ。それに、博士の奇抜な発想も。
むむ、それは褒め言葉かの？まあ良いじゃろう。ところでロボ子、TTSで「私は天才美少女博士じゃ！」って言わせてみたらどうなると思う？
（苦笑）博士、それは試すまでもないと思いますよ。きっと、博士そっくりの声で再生されますね。
面白そうじゃん！今度試してみるぞ！
⚠️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。