MiniMaxが音声モデル「Speech-02」公開：最大20万文字の入力に対応

MiniMaxは新しい音声合成モデル「Speech-02」を発表しました。

20万文字の長文を一括音声化

Speech-02の最大の特徴は、1回あたり最大20万文字のテキスト入力に対応している点です。ファイルやウェブページのURLを入力するだけで、オーディオブックやポッドキャストなどの長尺音声を即座に生成できます。

また、30以上の言語に対応するほか、1秒未満のストリーミングレイテンシや、無制限の音声クローニング機能も備えています。

なぜ重要か

これまでの音声合成では、長文を小さなブロックに細かく分割して生成し、後からつなぎ合わせる手間が必要でした。

1回で20万文字を処理できれば、書籍や長文記事の音声化コストは劇的に下がります。音声合成の競争軸は、声の自然さだけでなく、長文の一括処理能力や低遅延性能へと移りつつあると言えます。一方で、手軽な無制限音声クローンがもたらすなりすまし対策など、安全面の運用が今後の焦点になりそうです。