現時点では、ローカルから復帰するオープンソースのTTSモデルの完成度が上昇していることを実感しています。その中でも最近目にしたのはQwen3-TTSです。クラウドAPIにリクエストを送信して応答を待つ方法ではなく、ローカルから音声を引き出す方法です。
実際に書くと物語が変わります. ポットキャスト形式で複数のスピーカーを振り返ると、この程度の自由がローカルで、それもコストなしで可能であることに驚きました。
たとえば、メインの声を一つにし、トーンを少し下げて安定感を与えます。各コーナーに異なる音を付けることも自由です。英語のコーナーには明確な音、日本語のコーナーにはスピード感のある音を割り当てる方法です。
言語が混在する範囲では、それぞれの言語を別々にモデルに置くので、英語の単語を韓国語の発音にまとめて読むという不快さがなくなります。日本語も同じです。文字を一つずつ切って読むのではなく、単語と文の単位で自然に流れるようにすることができます。
細部に進むと、どれだけトンを下げるか、どれだけスピードを上げるか、どのくらいの間隔を置くか、同じ調整距離が無限に出てきますが、重要なのは数字だけではなく、これらすべてを自分の手でコントロールできるという感覚です。
クラウド API だったら、いくつかのパラメータに触れても多くのトークンを使用し、制限があるだろうが、ローカルというものは何もない。 気に入らなかったら戻し、トンが不思議だったら値を変えて再び引くだけで終わる。
さらに、これらのプロセスには費用がかかりませんので、個人がサイドプロジェクトでポットキャストやオーディオコンテンツを作成しようとすると、入力障壁が広がります。 1 つの声を投じるたびに API コストを心配する必要はありませんので、失敗したら再度試してみてください。
ローカル AI 音声合成をまだ試したことがない場合は、Qwen3-TTS で始めることをお勧めします. 思ったよりはるかに便利で、何よりも無料で始めることが最大の利点です。
コメントを読み込んでいます。