2BパラメータのオープンソースTTSモデルが登場、数秒の音声で声色やささやき声まで再現

オープンソース界隈に、軽量設計の新しいテキスト読み上げ（TTS）モデルが登場した。パラメータ数は20億（2B）とコンパクトながら、わずか数秒の参照音声を渡すだけで、その声色を使って任意の文章を読み上げるゼロショット音声複製に対応している。

ささやき声や吃音まで拾い上げる表現力

特筆すべきは、人間の発話に含まれる細かなニュアンスの再現性だ。一般的な音声合成では機械的になりがちな、ささやき声の空気感や緊張したときの吃音といった微細な表現まで忠実に拾い上げる。

さらにクロスリンガル発話にも対応しており、元の参照音声が話せない言語であっても、その声質のまま自然に他言語を喋らせることができる。誤り率と声の類似度を比較したベンチマークでは、理想とされる左上エリアに位置し、CTDTS、Vox CPM、Qwen 3 TTS、Index TTS 2 といった直近のモデルを上回るスコアを示した。

コードとモデルはGitHubで公開されており、Apache 2.0ライセンスのもとで商用利用も認められている。ベースモデルのサイズは約5GBに収まっており、民生用の一般的なGPU環境でもローカルで動かせる。

なぜ重要か

細部までリアルな音声クローンが、ついに個人向けのハードウェア環境へ降りてきた。これまでこの水準の表現力を得ようとすると、従量課金やプライバシーの制約が伴うクラウドAPIに頼らざるを得なかったが、今や数GBのモデルを自前で動かして多言語吹き替えやコンテンツ制作を行える。

Apache 2.0で完全商用利用できる点も影響が大きい。私たちは、このサイズ感と品質のオープンモデルの普及が、既存の有料音声クローンサービスに大きな価格見直しの圧力をかけると見ている。一方で、わずか数秒の音声から高精度に声を偽造できる技術がローカルに普及することで、音声の真正性確認やなりすまし対策のハードルは一段と上がることになる。