Meta、Googleのポッドキャスト自動生成を再現するオープンソース版公開

NotebookLlamaは、アップロードしたテキストファイルを2人の掛け合いによるポッドキャスト風音声に変換する、Metaのオープンソースプロジェクトです。話題を呼んだGoogleの「NotebookLM」の音声生成機能を、自前の環境で再現するためのオープンな実装といえます。

テキストからポッドキャストを作る仕組み

処理の中心を担っているのは、Meta自社のLlamaモデルです。

ニュース記事やブログのPDFなどを入力すると、NotebookLlamaはまず元のファイルから要約となるテキストを作成します。続いて、その内容に脚色や相づち、発言の割り込みといった演出を加え、2人がテンポよく語り合う対話形式の台本へと書き換えます。

こうしてできた台本を、オープンソースの音声合成（TTS）モデルに流し込むことで、最終的な音声ファイルを書き出す仕組みです。

GitHub上の解説によると、現在は単一のモデルが全体の台本アウトラインを書いています。研究チームは今後のアプローチとして、2つのエージェントにテーマについて議論させながら構成案を作らせる手法も検討しているとしています。

音質と現状の課題

現時点の完成度を見る限り、Googleの本家NotebookLMのような滑らかさを期待すると肩を落とすことになります。

公開されている音声サンプルを聞く限り、話し声には明らかな機械っぽさが残っています。さらに、不自然なタイミングでお互いの声が被ってしまったり、不自然に遮ったりする場面が目立ちます。

開発したMetaの研究者たちも、この限界を認めています。音声合成モデルの性能が現時点での自然さのボトルネックになっており、今後より強力なモデルに置き換えることで改善できると説明しています。

また、元ネタとなったNotebookLMや他の類似プロジェクトと同様に、AI特有の「幻覚（ハルシネーション）」も防ぎきれていません。元の文書には書かれていない架空の内容が会話に紛れ込むリスクは常に残ります。

コードや実行手順はGitHub上で公開されており、興味のある開発者は手元で試すことが可能です。

なぜ重要か

NotebookLlamaの真の価値は、現時点での音質ではなく、Googleがブラックボックスにしていた人気機能をオープンな設計図として公開した点にあります。

本家のNotebookLMは完成度が高い一方で、外部から音声を細かく調整したり、機密文書を完全にローカル環境で処理したりすることはできません。NotebookLlamaの仕上がりはまだ荒削りですが、テキストの対話化から音声化までのパイプライン全体が手に入ります。

手軽に完成度の高い音声を聞きたいだけの一般ユーザーなら、今はまだ本家を使うのが無難です。しかし、独自のTTSモデルを組み込んだり、自社データ向けにポッドキャスト生成を組み込みたい開発者にとっては、格好の実験台になるはずです。