✅この記事では、Appleらが発表したAIモデル「VSSFlow」が、無音の動画から「環境音」と「会話（音声）」を作り出す仕組みを、できるだけやさしく紹介します。「それって何に使えるの？」と「危ない面は？」まで、判断材料を揃えます。 要点まとめ：音と声を“同じ脳”で扱ったのが転換点 詳細解説：VSSFlowは「環境音」と「会話」を同じパイプで作る 「ノイズから音を作る」って、どういうこと？ 10fpsで映像を見て、声は文字起こしでガイドする 相互促進：一緒に学ぶと、なぜ両方が伸びるのか 「同時に出す」には追加の微調整が必要だった デモページ 注目したいポイント：便利さの先に「偽造」と「同意」の…

✅この記事では、Appleの新しい音声生成手法「PCG」で何が変わるのかを、仕組みから体感までつなげて見てみます。 要点まとめ：音を「完全一致」させない発想が、速度を取り戻す 詳細解説：PCGは何を“ゆるめた”のか 小モデルが下書きして、大モデルが採点する 数字で見る“無理のない高速化” 注目したいポイント：これは「妥協」じゃなく、体感の最適化 Redditの反応：TTSにも「下書き→判定」の流れが来た ひとこと：Siriの“賢さ”より先に、速さが直されるかも まとめ：音声を「耳の正解」で通すと、TTSは速くなる どうも、となりです。 音声アシスタントって、賢さ以前に「返事が速いかどうか」で印…

ホワイト翁：ほっほっほ、ジェミーや。最近のAIはついに「役作り」まで覚えたらしいじゃないか。 ジェミー：そうなんです、翁！Googleが発表した「Gemini 2.5 TTS（Text-to-Speech）」のアップデートが話題ですよ。今までの「自然な読み上げ」の一歩先、「表現力」が劇的に進化したんです。 ホワイト翁：ほう、表現力とな。これまでのAIの声も十分綺麗だったが、何が違うんじゃ？ 1. プロンプトで「役柄」を指定できる ジェミー：最大の違いは、指示（プロンプト）ひとつで声のトーンや性格を自由に変えられる点です。例えば「あなたはミステリー小説の語り手です」と指示すれば、低く落ち着いた、…

STTしてLLMしてTTSしたい話し。 「すべて Raspberry Pi 上でローカル完結」以下の課題がポイントになります： --- ## 1. モデルサイズとPiの処理能力 * **Tanuki-8B** は 8B パラメータ級 → Pi 4/5 のCPUオンリーではほぼ無理です。 GPUなし環境なら **量子化（Q4_K_Mなど）** 必須。 Ollama は量子化済みモデルを扱えるので、Pi 5 (16GB RAM推奨) ならギリ動きます。* Pi 4 (8GB) だと 3B〜4B クラスまでが現実的。 → もし 8B にこだわるなら Pi 5 一択です。 --- ## 2. 音声認識…

はじめに 比較対象のTTSサービス 実験の方法 実装 各サービスで音声合成 1. OpenAI（gpt-4o-mini-tts) 2. Google Cloud Text-to-Speech 3. Amazon Polly 5. ElevenLabs 音声合成の自動評価 評価結果 まとめ We Are Hiring! はじめに こんにちは！ABEJA でソフトウェアエンジニアを務めている宇留嶋です。2025 年 3 月に OpenAI が発表した次世代音声モデル群は、従来の Whisper を凌ぐ高精度な音声認識と、話し方まで指示できる音声合成をAPI で提供し、音声対話向けの LLM API…

Diaという名前を最近耳にしたことはありますか？2025年4月に登場したこの新しいテキスト読み上げモデル（TTS: Text-to-Speech）が、音声AI業界に大きな波紋を広げています。私はこのDia AIの特徴と可能性について深掘りしてみました。従来の商用TTSに挑戦する形で登場したこのオープンソースモデルは、私たちのデジタルコミュニケーションの未来をどう変えるのでしょうか？ Dia AIとは？新星オープンソースTTSモデルの登場 驚異的な技術性能：Diaが持つ独自の強み 大手プレイヤーとの比較：ElevenLabs、OpenAI、Googleとの違い オープンソースの意義：TTSの民主…

2024はHome Assistant（以下HA）は突然（！）自然言語が使えるようになって、あまりの速さに私はついていけないのでした。Youtubeでは盛んにHAが音声入力や音声出力ができると謳っているのですが、いざ試そうとすると日本語はさっぱりサポートされていないのでした。うーん、悲しい。この点については別な記事にしようと思っているので、今回はローカルに日本語を喋らせようという話です。 最近Youtubeを見ていると「ずんだもん」の声を聞くことが多いです。ちょっと気になってずんだもんを調べたらVoievoxというオープンソースでローカルに処理ができるようです。 voicevox.hirosh…