GradiumがオンデバイスTTS「phonon-31m-en」公開：64.5MBでブラウザ内でも動作
Gradiumが軽量な英語音声合成モデル「phonon-31m-en」を公開した。Pocket TTSとMimiコーデックを基盤にしており、8ビット量子化後のファイルサイズはわずか64.5MB。スマホやブラウザ上でオフラインかつストリーミング再生可能で、Apache 2.0ライセンスで商用利用にも対応する。
Kyutai
MireloとKyutaiが「MuScriptor」公開：楽曲全体から各楽器のMIDIを直接抽出
MireloとKyutaiは楽曲全体の音源から楽器ごとにMIDIを自動抽出するオープンモデル「MuScriptor」を発表した。従来の単一楽器向けツールと異なり、完成版の楽曲からボーカル、ドラム、ベース、鍵盤などを同時に個別トラック化できる。
KyutaiのPocket TTS：1億パラメータでCPUリアルタイム動作する音声合成
KyutaiがCPU向け軽量音声合成モデル「Pocket TTS」をオープンソース公開。1億パラメータの省サイズ設計でGPUを必要とせず、MacBook Air M4の2コアで約6倍速のリアルタイム生成と200msの低遅延を実現。音声クローンや長文朗読にも対応する。
Kyutai、本人の声を保つリアルタイム音声翻訳AI「Hibiki」を発表
仏AI研究所Kyutaiはリアルタイム音声同訳モデル「Hibiki」を発表した。現在は仏英翻訳に対応し、話者の声質を維持したまま文脈に応じて発話速度を調整する。公式評価では品質や自然さにおいて人間の同時通訳に迫る性能を示している。
仏Kyutaiがリアルタイム音声AI「Moshi」発表、オープンソースで端末上でも動作
仏AI研究所Kyutaiは遅延わずか200ミリ秒の音声AIアシスタント「Moshi」を発表し、オープンソース化する方針を明かしました。70種類の感情表現に対応し、PCローカル環境でも相手の話を遮りながら自然に会話できます。