Fish Audioが音声合成（TTS）モデル「Drama 3」を公開しました。35BのMixture-of-Experts（MoE）構成で、1トークンあたりの作動は約3Bです。台本に演技指示を自然文で書き込める点が特徴で、重みは公開されています。
何が新しいのか
台本の各行の前に「[barely holding it together]」のような指示を置くと、その感情で読み上げます。話者タグは16人まで対応し、1回の呼び出しで掛け合いを生成できます。対応言語は83です。指示は読み上げる言語と別の言語で書くこともできます。
公開されている数値の読み方
提供元によると、読み上げの頑健性を測るArtificial Analysisの指標で93.2%と首位です。固有名詞や技術用語で95.9%と強い一方、型番やメールアドレスのような文字列は86.3%にとどまります。音声の好みをEloで測る品質ランキングでは、ElevenLabsのEleven v4 Turboに及ばないとされています。
自前で動かす条件
重みはHugging Faceで公開されています。実行にはFP8で48GB以上のNVIDIA製GPUが必要で、CPUやApple MPSは対象外です。Ollamaのような手軽な実行環境向けではなく、推論基盤を用意する前提です。年商50万ドル未満の商用利用は無償です。
編集部の見解
読み上げの正確さが公開指標として整ってきたことは、日本語の現場では実務的な意味があります。型番や社名のように「間違えると困る」語は、感情表現より先に来る要件だからです。ただしこの分野の評価は英単語が中心で、日本語の固有名詞や敬語の抑揚が同じ水準で測られているとは限りません。導入前には自社の原稿で読みを確かめることをおすすめします。
my-best.ai 編集部
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。