Miso、感情豊かな8B音声合成モデル「Miso One」を公開

Miso Oneは、人間らしい豊かな感情表現に特化した、80億パラメータ（8B）のオープンソース音声合成モデルです。

何ができるのか

Misoによると、Miso Oneは世界で最も感情表現に優れた音声モデルであり、従来の機械的な音声合成とは一線を画す、自然な感情の起伏を伴った音声を生成できます。

もう一つの特徴は圧倒的なレスポンス速度です。生成遅延はわずか110ミリ秒に抑えられており、人間の反応速度を上回るスピードで応答するため、極めて低遅延が求められるリアルタイム対話アプリケーションに向いています。

提供形態としては、モデルの重みがすでにオープンソースとして一般公開されており、開発者が直接ダウンロードして利用できます。また、公式APIの提供もまもなく開始される予定です。

なぜ重要か

リアルタイムのAI対話エージェントやゲームキャラクターの音声を開発しているなら、Miso Oneは試す価値があります。従来のオープンソース音声モデルは、豊かな感情表現とリアルタイム動作の低遅延を両立させるのが困難でした。

表現力の高い8Bモデルを110ミリ秒の遅延で動かし、その重みを公開したことは、プロプライエタリなクラウド音声APIへの依存を減らしたい開発者にとって魅力的な選択肢になると私たちは考えています。