最近、フランスのAI研究室Kyutaiは、新たにテキストから音声への変換モデル「Kyutai TTS」が正式にオープンソース化されたことを発表しました。この高性能で低遅延な音声合成ソリューションは、世界中の開発者と研究者に新たな選択肢を提供しています。この画期的なリリースは、オープンソースAI技術の発展を促進し、多言語音声インタラクションアプリケーションに新たな可能性を開きました。AIbaseが独自に解説するこの技術の特徴とその潜在的な影響をご覧ください。

 超低遅延、リアルタイムインタラクションの新体験

Kyutai TTSは優れた性能で業界の注目を集めています。このモデルはテキストのストリーミングをサポートしており、非常に短時間で自然で滑らかな音声を生成できます。強力なL40S GPUのサポートにより、Kyutai TTSは最大32件のリクエストを同時に処理でき、遅延はわずか350ミリ秒にとどまります。これにより、リアルタイム音声インタラクションに堅実な技術的基盤を提供します。バーチャルアシスタントやリアルタイム字幕生成、オンライン教育プラットフォームなど、この超低遅延特性はユーザー体験を大幅に向上させます。

 高精度な音声出力、細部まで丁寧に

Kyutai TTSは速度だけでなく、音声生成の正確性も非常に優れています。このモデルは英語とフランス語における単語誤り率（WER）がそれぞれ2.82と3.29と非常に低く、非常に高い音声正確性を示しています。また、話者の類似度は英語で77.1％、フランス語で78.7％に達し、生成された音声は自然で滑らかでありながら、ターゲットの話し手の声の特徴を高精度で再現しています。さらに驚きなのは、Kyutai TTSが単語の正確なタイムスタンプを出力できる点です。これは字幕生成や吹き替えなどの正確な同期が必要なシーンに強い支援を提供します。

image.png

オープンソースの場所:https://kyutai.org/next/tts

 多言語対応、幅広い用途

現在、Kyutai TTSは英語とフランス語の2言語に対応しており、長文の音声生成にも対応しています。これにより、教育、メディア制作、音声ナビゲーションなど、さまざまな分野での応用可能性があります。例えば、教育分野では視覚障害者向けに高品質なテキスト読み上げサービスを提供できます。メディア業界では、低遅延かつ高保真音声を活用してポッドキャストやオーディオブックの迅速な作成が可能です。今後、Kyutaiラボはコミュニティからの寄付による声データによって、さらに言語サポートを拡大し、モデルのグローバルな応用能力を強化する予定です。

 オープンソースにより、コミュニティがイノベーションを推進

完全オープンソースのモデルとして、Kyutai TTSはCC-BY-4.0ライセンスで公開されています。これは開発者が自由に使用、修正、配布できるようにするものです。このオープン戦略は技術の利用ハードルを下げ、世界中のAIコミュニティに貴重なリソースを提供します。Kyutaiラボは、コミュニティユーザーに声データの寄付を呼びかけ、モデルにさらに多くの声のスタイルと言語サポートを追加し、音声合成技術の進歩を共に推進することを望んでいます。

 将来展望：AI音声技術の次のステップ