テキスト音声変換(TTS)
テキスト音声変換モデルは書かれたテキストを話し声のオーディオに変えます。短いサンプルから声をコピーできるモデルも多くあります。
TTSモデルはテキスト(短い参照録音が付くこともある)を受け取り、オーディオを生成します。オープンモデルは現在、数十から数百の言語をカバーし、生成中のオーディオをストリーミングでき、書かれた説明から新しい声を設計できるものもあります。ストリーミング遅延、つまり最初の音声が届くまでの時間は、音声アシスタントにとって重要です。
コードだけでなく重みのライセンスを確認してください。最もよく知られたオープンTTSモデルのいくつかは非商用のみで、研究用途に限定するプロジェクトもあります。リアルな声は悪用され得るため、出力に聞こえない透かし(ウォーターマーク)を入れるモデルもあります。
関連用語
- ボイスクローニング(Voice cloning) ボイスクローニングは、テキスト音声変換モデルに特定の人物の声で話させます。多くはわずか数秒の録音から行えます。
- 音声認識(ASR、音声文字起こし) 音声認識はASRや音声文字起こしとも呼ばれ、話された音声を書かれたテキストに変換します。
- 非商用ライセンス 非商用ライセンスでは、研究・学習・個人プロジェクトでのモデル利用は認められますが、収益を目的とした利用は認められません。