本文へスキップ

MaskGCT

明示的な整列が要らないゼロショット TTS

公式サイトを見る

MaskGCT とは

MaskGCT はマスクと予測の学習にもとづくゼロショットの文章読み上げモデルと紹介され、二段階の構成を取ると説明されている。

できること

  • 文章から意味トークンを予測する
  • 意味トークンから音響トークンを予測する
  • 手本の音声からスタイルと感情を写す

活用場面

  • 研究者がキャラクターの音声見本を作る
  • 企業が多言語の返答音声を作る
  • 制作者が朗読の音声を作る

長所と短所

✓ 良い点

  • 韻律・スタイル・感情が手本の音声に従う
  • 音声全体の長さを調整できる

! 注意したい点

  • 感情・スタイル・テンポの調整が必要
  • 資料は品質と類似性の実験結果を報告

よくある質問

段階はいくつ?

資料は二段階のモデルと説明。

追加の学習は要る?

資料は追加学習なしのゼロショット文脈学習と説明。

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