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 →-
Accent Guesser 声の録音からアクセントを判定する 無料ツール クリエイターツール オーディオ 音声からテキスト 教育ツール -
AccurateScribe.ai 音声と動画の書き起こし 無料ツール クリエイターツール 動画からテキスト オーディオ 音声からテキスト -
Adobe Podcast ブラウザで録音と音声クリーンアップ 無料ツール クリエイターツール オーディオ 音声からテキスト 音声編集 -
Agilotext フランス語中心の書き起こしと要約 オーディオ 音声からテキスト ポッドキャスト 会議文字起こし 議事録 -
AI Dubbing 登録不要の短い動画の吹き替え 無料ツール 動画翻訳 オーディオ ナレーション コンテンツローカライズ -
AI Mastering オンライン自動マスタリング 無料ツール フリーミアムツール オーディオ ポッドキャスト