Hume AI、音声モデル「TADA」をオープンソース公開：5倍高速でスマホ動作に対応

TADA（Text-Acoustic Dual Alignment）は、Hume AI がオープンソース公開した音声言語モデルだ。テキストのトークンと連続的な音響ベクトルを 1 対 1 で同期させる構造を採用しており、従来の LLM ベース TTS で課題だった遅延やメモリ消費、勝手な単語の挿入といった幻覚を解消している。

コードと事前学習済み重みはすでに公開されており、中国語を含む 10 言語に対応している。クラウド API に依存せず、スマートフォンやエッジデバイス上で単体動作するほど軽量だ。

高速化と幻覚ゼロを両立した仕組み

従来の LLM ベース TTS では、1 秒の音声に含まれる情報量がテキストよりも圧倒的に多いという不一致があった。1 秒のテキストが 2〜3 トークンであるのに対し、音響フレームは 12.5〜75 フレームに達するため、コンテキストウィンドウがすぐに埋まり、モデルがテキストを見失って言い淀みや脱落を起こしやすかった。

TADA は音声を離散的なトークンに細かく刻むのをやめ、各テキストトークンに 1 つの連続音響ベクトルを直接対応させた。テキストと音声がひとつのストリームとして同時に進む設計だ。

入力時はエンコーダとアライナーが各トークンに対応する音響特徴を抽出し、出力時は LLM の隠れ状態を条件ベクトルとしてフロー・マッチング機構が音声を生成する。テキストと音声が完全に 1 対 1 で紐付いているため、構造上コンテンツをスキップしたり捏造したりできない。

性能スペックと現状の課題

生成速度の指標であるリアルタイムファクター（RTF）は 0.09 を記録し、同等クラスの LLM ベース TTS と比べて 5 倍以上高速だ。1 秒あたりわずか 2〜3 フレームしか処理しないため、計算負荷が極めて小さい。

LibriTTSR の 1000 以上のテストサンプルにおいて、文字誤り率 0.15 基準での幻覚発生率はゼロだった。音声を生成しながら同時に文字起こしも完了するため、別途音声認識モデルを回す必要もない。

コンテキスト効率も高い。従来の方式では 2048 トークンの制限内で約 70 秒しか音声を保持できなかったが、TADA は同じ枠で約 700 秒の音声を収容できる。EARS データセットを用いた人間による評価では、話者類似度 4.18、自然さ 3.78 を記録し、より大規模なデータで学習した他社システムを抑えて総合 2 位につけた。

ただし弱点もある。10 分を超えるような長い音声生成では話者の声質が徐々に変化する現象が確認されている。リジェクションサンプリングである程度抑えられているものの完全ではなく、現状は適宜コンテキストをリセットして使うことが推奨されている。

なぜ重要か

スマホアプリや車載端末、プライバシー配慮が求められる現場で音声インターフェースを開発している人にとって、TADA はすぐに試す価値がある。高精度な音声合成をクラウドの GPU クラスタから解放し、手元の端末でレイテンシなしに動かせるからだ。

後処理や追加学習で無理やり幻覚を減らすのではなく、1 対 1 の同期というアーキテクチャの工夫で根本からエラーを封じ込めた点は非常にスマートだと感じる。医療や金融など、言い間違いが許されない実務領域への音声 AI 導入を一気に現実的なものにするアプローチだ。