マイクロソフトは、オープンソースのテキスト音声合成（TTS）モデル「VibeVoice」を2025年8月26日（現地時間）に公開した。
従来のTTSシステムでは、長い音声の生成や複数話者の管理に課題があったが、VibeVoiceは、ポッドキャストなどの表現力豊かで長時間かつ複数話者による音声を、テキストから直接生成できる。
VibeVoiceは、7.5 Hzという非常に低いフレームレートで動作する連続音声トークナイザーを2種類（アコースティックとセマンティック）採用している。これにより、音声の高い忠実度を維持しつつ、長い音声列でも高い計算効率を実現している。
最大4名までの話者を含む90分までの会話音声を一度に合成可能であり、従来の1～2名に限定されたモデルと比べて対応範囲が広い。例えば、文脈を考慮した感情表現や自然なターンテイク、クロスリンガル変換、背景音楽付きポッドキャスト風音声の生成といった多様な実演も可能である。VibeVoiceはHugging Face上でオープンソースとして公開されている。
この記事は参考になりましたか？
- この記事の著者
-
CodeZine編集部（コードジンヘンシュウブ）
CodeZineは、株式会社翔泳社が運営するソフトウェア開発者向けのWebメディアです。「デベロッパーの成長と課題解決に貢献するメディア」をコンセプトに、現場で役立つ最新情報を日々お届けします。
※プロフィールは、執筆時点、または直近の記事の寄稿時点での内容です
