パリに拠点を置く音声AI企業のGradiumは、参照音声なしで記述に基づいて新しい合成音声を生成する機能「Voice Design」をリリースしました。このツールは現在、5言語に対応したGradium APIおよびStudioで利用可能です。

  • ユーザーは性別、年齢、アクセント、ピッチなどの属性を含む1〜500文字の記述を入力し、3〜5秒以内に最大5つの音声候補を受け取ります。
  • 候補は4回のREST呼び出しフローを通じて生成され、選択された音声はクローンと共有される1つのスロットを使用して恒久的なカスタム音声スロットに昇格できます。
  • 7,627件の比較による盲聴テストにおいて、GradiumはElevenLabsやInworldなどの競合に対して72.6%の勝利率を達成しました。
  • システムは非確定的であり、同じプロンプトでも毎回異なる結果が生成され、保存されていない候補は30日後に期限切れとなります。

これにより、開発者は実際の話者の権利や同意を取得することなく、オンデマンドで特定の音声ペルソナを作成できます。