本文へスキップ

Stability AI text-to-speech models

自然言語で導く高忠実度の読み上げ音声

公式サイトを見る

Stability AI TTS とは

本モデルは自然言語の案内を用いる高忠実度のテキスト読み上げと紹介され、話者の身分・スタイル・収録条件に注釈を付けて音声合成を導く。

できること

  • 自然言語で音声合成を案内する
  • 話者の身分・スタイル・収録条件に注釈を付ける
  • 45000 時間の資料群で音声言語モデルを学習する

利用の例

  • 米国なまりの女性の声で読み上げを作る
  • 英国なまりの男性の声で収録する
  • 南アフリカなまりの男性の声で読み上げを作る

長所と短所

✓ 良い点

  • 音声の忠実度を高める簡便な手法が示される
  • 例にはなまりと話者の選択が並ぶ

! 注意したい点

  • 案内は学習資料への注釈に依存
  • 出力は資料に記された資料群に依存

よくある質問

何に注釈を付ける?

資料は話者の身分・スタイル・収録条件を挙げる。

資料群の規模は?

資料は学習に 45000 時間と説明。

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