MARS5 TTS

MARS5 TTS's 概要

MARS5はCAMB.AIが開発した新しい英語向け音声合成(TTS)モデルだよ。AR-NARの2段階パイプラインを採用していて、NAR部分がユニークなポイント。参照音声はたった5秒、テキストは少しあればOKで、スポーツ実況やアニメなどいろんなシーンの音声を生成できる。句読点や大文字・小文字の使い方でプロソディ(抑揚やリズム)を調整できるし、音声ファイルで話者のアイデンティティも指定可能。シャロークローンとディープクローンの両方に対応していて、ディープクローンではプロンプトの書き起こしが必要になる。torch.hubで簡単に読み込めて、参照音声と書き起こしを渡すだけで推論できる。デフォルト設定でも十分きれいな結果が出るけど、用途に合わせて推論設定をチューニングすることもできる。チェックポイントやハードウェア要件はGitHubリポジトリに載っていて、改善への貢献も歓迎されているよ。

MARS5 TTS's 特徴

• AR-NARの2段階パイプライン

• 句読点と大文字・小文字によるプロソディの誘導

• 話者アイデンティティの指定

• シャロークローンとディープクローンへの対応

• torch.hubによる簡単なモデル読み込み

• 参照音声と書き起こしを使った推論

• オープンソースで、代替ライセンスも選択可能

MARS5 TTS's Q&A

MARS5 TTS's 価格

MARS5はGNU AGPL 3.0ライセンスのもとでオープンソースとして提供されています。別のライセンスオプションについては help@camb.ai までお問い合わせください。