テキストを本物そっくりの声に変える音声合成で競われているのは、もはや「人間らしさ」だけではない。音声クローン、感情や方言の制御、笑い声などの副言語信号まで、検証できる評価とオープンな実装で進展を追う。
Ming-3.0-tts は、アントグループの AI チーム inclusionAI がオープンソースとして公開した音声合成モデルシリーズだ。2026 年 10 月 19 日、推論コード、モデル重み、完全な評価表が GitHub の inclusionAI 組織に MIT ライセンスで一斉に公開され...
2026年9月23日、Google DeepMindは公式ブログでGemini 3.8 Flash TTSとFlash-Lite TTSを発表した。これまでで最も表現力の高い音声生成モデルだという。新モデルは、自然言語のプロンプトでゼロから声をデザインしたり、30秒のサンプルから声を再現したりできる...
1. 要旨 MOSS-TTS-NanoはOpenMOSSとMOSIの比較版です。 AIが公開したオープンソースの多言語音声生成モデルは、「小型で低遅延、展開可能」と位置づけられています。 約0.1Bのパラメータを持ち、リアルタイム音声生成や音声クローンに対応し、CPUフレンドリーさとローカル統合を重...
1. 要旨 Qwen3-TTSは、Qwenチームによるオープンソースのテキスト読み上げ(TTS)モデル群で、VoiceDesign(テキスト説明から新しい音声を生成する)、CustomVoice(あらかじめ決められた高品質音声のコマンド制御)、Base(高速音声クローン作成および基礎の微調整)などが...
1. 要約 アリババ通義ボイスチーム(FunAudioLLM)は、音声合成用のFun-CosyVoice3-0.5B-2512(TTS)と音声認識用のFun-ASR-Nano-2512(ASR)という2種類のオーディオモデルをオープンソース化しています。 前者は多言語のゼロショット音声クローンと低遅...
1. 抽象 GLM-TTSは、産業用音声生成のためのオープンソースTTSシステムであり、音声サンプルの音色クローン作成をわずか3秒で行い、感情表現を制御可能です。 そのアーキテクチャは2段階の生成プロセスを採用し、文字誤り率(CER)とセンチメントの面でオープンソースとしてトップレベルのレベルを実現...
