本文へスキップ

BASE TTS

Amazon の 10 億パラメータ音声合成モデル

公式サイトを見る

BASE TTS とは

本モデルは Amazon による大規模な音声合成の枠組みと紹介され、10 億パラメータの自己回帰変換器で文章を音声符号に変え、畳み込み復号器で波形を生成すると説明されている。

できること

  • 仕組みに沿って文章を音声に変換する
  • 畳み込み復号器で音声符号から波形を作る
  • 音声符号化で音素の分離と圧縮を用いる
  • 規模の拡大に伴い複雑な文の抑揚を扱う

活用場面

  • 入力した文章をリアルな音声に変える
  • オーディオブックの読み上げを自動で作る
  • 音声アシスタントに自然な抑揚を与える
  • 視覚に障害のある人へ文章を読み上げる

モデルについて

  • 10 億パラメータの自己回帰変換器が説明される
  • 学習には 10 万時間超の公開音声データを用いる
  • 原文は音声の自然さの新たな段階と称する
  • 新奇な音声符号化は音素の分離と圧縮を含む

長所と短所

✓ 良い点

  • 音素の分離と圧縮が音声符号化の技術に挙がる
  • 規模が大きくなるほど複雑な文の自然な抑揚を示す

! 注意したい点

  • 波形の生成前に文章をいったん音声符号に変える
  • 学習は 10 万時間超の公開音声データに基づく

よくある質問

開発元はどこ?

資料は Amazon による開発と説明。

どの分野が挙がる?

音声合成、音声アシスタント、オーディオブックの生成が挙がる。

最終評価日: 2026-11-15

その他 AIオーディオツール ツール

すべて見る →

評価方法