本文へスキップ

SoundStorm

音声令牌の並列生成で合成を速める

公式サイトを見る

SoundStorm とは

本技術は Google Research による音声生成の手法と紹介され、音声令牌を並列に作ることで合成時間を縮めると説明されている。

できること

  • 音声令牌を並列に生成する
  • 元の音声信号と同じ音質を保つ
  • 話の内容と話し手の特徴を制御する

仕組み

  • 神経音声の符号化器が波形を圧縮する
  • Transformer に基づく系列から系列へのモデルを用いる
  • 令牌は粗い段から細かい段へ予測される

長所と短所

✓ 良い点

  • 長い系列の推論時間が縮む
  • 長い文章の読み上げと自然な対話に対応

! 注意したい点

  • 生成は文章か音声の手がかりを起点に進む
  • 説明される流れは神経音声の符号化器を用いる

よくある質問

何の課題に向かう?

資料は自己回帰型のモデルが長い系列で遅いことを挙げる。

何を制御できる?

資料は話の内容、話し手の声、発話の順番を挙げる。

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