本文へスキップ

EMOVA

感情豊かなマルチモーダル音声アシスタントのモデル

公式サイトを見る

EMOVA とは

本モデルは音声を end-to-end で処理しつつ視覚・言語の能力を保つマルチモーダル言語モデル。分離型の音声トークナイザで感情豊かな対話を可能にする。

できること

  • 視覚と音声の入力をまとめて扱う
  • 音声の感情と音の高さを制御する
  • 生き生きとした感情で対話する

モデルに関する注意

  • 資料では視覚・言語のベンチマーク結果が述べられる
  • 資料では ASR 性能が最高水準とされる
  • 画像・テキスト・音声に外部ツールが要らない

長所と短所

✓ 良い点

  • 感情と音の高さを制御できる
  • 視覚・言語と ASR のベンチマークが示される

! 注意したい点

  • 利用は公式サイトから始まる
  • 資料は研究デモが中心

よくある質問

名称の由来は?

資料では EMotionally Omni-present Voice Assistant と示されている。

ベンチマークの結果は?

資料では GPT-4V や Gemini Pro 1.5 を上回り GPT-4o に近いと述べられている。

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