本文へスキップ

Spirit LM

文章と音声を自由に混ぜる言語モデル

公式サイトを見る
カテゴリ AIモデル

Spirit LM とは

Spirit LM は基盤の多様式言語モデルと紹介され、文章と音声を一つのトークン列に混ぜ、語単位の交互配置で鍛えると説明されている。

できること

  • 文章と音声を同じ列に流し込む
  • 基礎版で音素単位を使う
  • 表現版でピッチとスタイルを足す

導入の手順

  • GitHub の頁か論文を読む
  • 版を選んで重みを取得する
  • 音声と文章の対訳コーパスを用意する

長所と短所

✓ 良い点

  • 意味の理解と音声の表現力が共に挙がる
  • 少数の事例で新しい課題を学べる

! 注意したい点

  • 二つの版で用いる単位が異なる
  • 土台は 7B の文章モデルと記される

よくある質問

二つの版は?

資料は音素単位の基礎版と、ピッチとスタイルを加えた表現版を挙げる。

どの課題が挙がる?

資料は ASR、TTS、音声分類を様式をまたぐ課題に挙げる。

最終評価日: 2026-11-15

その他 LLM APIプラットフォーム ツール

すべて見る →

評価方法