Meta、音声生成基盤モデル「Audiobox」の体験デモを公開

MetaのAI研究チームは音声生成のための新しい基盤研究モデル「Audiobox」のデモを公開しました。ブラウザ上から直接その機能を試すことができます。

音声クローンから効果音生成、インフィリングまで

公開されたデモでは、テキストからの音声合成にとどまらない複数の機能が体験できます。

少量の音声サンプルから声を再現するゼロショットTTS（Text to Speech）に加え、テキストプロンプトから効果音を生成する機能や、既存の音声の一部分を違和感なく補完・置き換えるインフィリング（Infilling）機能などが含まれています。

なぜ重要か

音声クローンと効果音生成、そして音声の修復作業を一つの基盤モデルに統合した点が特徴的です。動画制作者やポッドキャスターにとって、効果音素材の調達や言い間違えた音声の修正がブラウザ上で完結する道が開かれます。

単一の機能に特化した既存の音声ツールと比べ、Metaは音全般を包括的に扱える基盤モデルの構築を目指していることが伺えます。現時点では研究段階のデモ公開にとどまるため、生成される音質の安定性や商用利用への展開には引き続き注目が必要です。