DS Speech で利用可能Alibaba · Alibaba Cloud Model Studio
Qwen-Audio-3.0-TTS
自然言語で話し方・感情・方言を指定instruction でキャラクターや話し方を設定し、感情・笑い声のタグを台詞に挿入。クローン音声も中国語方言に対応できます。
- 自然言語の指示
- 感情・発声タグ
- 多言語・中国語方言
モデルと技術
AI 音声モデル資料集
対応言語、感情表現、ローカル導入など、音声モデルごとに強みは異なります。公式論文と文書をもとに、設計、バージョン差、実際の利用方法を確認できます。
モデル資料Xiaomi · k2-fsa プロジェクト
OmniVoice
幅広い言語と短い参照録音からのクローン600 以上の言語を扱う Xiaomi の公開 TTS。短い録音からのクローン、声の属性指定、長さの制御、拼音・音素による発音修正に対応。
- 600+ 言語
- 短音声からの復刻
- 発音・長さ制御
モデル資料Bilibili · IndexTTS チーム
IndexTTS 1.5
安定した中英クローンと中国語発音修正1.x 系の安定性と英語合成を改善したモデル。漢字と拼音を混ぜて入力でき、人名や地名を正しく読むナレーションに役立ちます。
- 中国語・英語
- 拼音による修正
- 安定性の改善
モデル資料Bilibili · IndexTTS チーム
IndexTTS 2
同じ人物の声で異なる感情を演じる話者の音色を保ち、別録音の感情、8 種の感情強度、文章で指定した演技を組み合わせてキャラクターの表現を変えられます。
- 声と感情の分離
- 感情参照音声
- 文章による感情指示
モデル資料ModelBest · 清華大学 THUHCSI
VoxCPM
連続音声表現・文脈・高サンプルレート離散音声トークンを介さず連続表現を生成。1.5 は 44.1 kHz の中英復刻、2 は 30 言語・48 kHz と音声デザインを提供します。
- Tokenizer-free
- 文脈に応じた表現
- 1.5 / 2 の区別
DS Speech は現在 Qwen-Audio-3.0-TTS をオンライン提供しています。ほかのモデルは学習・セルフホスト向けの資料として紹介しています。