AIで新しい声、数秒で作成

音声エージェントチームは、常に同じ壁にぶつかっています。カタログには400種類の音声がありますが、モントリオールのディーラー向けにケベック訛りの受付係、講演会で権威ある60代のナレーターなど、カタログにない声が求められます。要件はどのカタログよりも多く、クローニングは一度に一人の話者ずつギャップを埋めますが、それぞれに調達、同意、ライセンスが必要です。

Kyutai研究室からスピンアウトしたパリ拠点の音声AI企業であるGradiumは、異なる解決策を投入しました。「Voice Design」は、書かれた説明を読み取り、数秒で全く新しい音声を返します。参照音声も、話者も、クリアすべき権利もありません。

展開可能でしょうか？はい、Voice DesignはGradium APIおよびStudioで利用可能で、無料プランを含むすべてのプランで無料で提供されています。保持された音声は、カタログ内のどの音声とも同じストリーミングText-to-Speechエンドポイントで、同じ遅延と出力形式で動作します。

キャスティングの要件はAPIです。説明文はモデルが受け取る唯一の入力です。Gradiumのドキュメントには、モデルが反応する属性がリストされており、それらはキャスティングコールのように読めます：gender、age band、accent or origin、pitch、pace、energy、timbre and resonance、register and manner、そしてその声がどのような役割を果たすか。

説明文は英語、フランス語、スペイン語、ポルトガル語、ドイツ語で1〜500文字です。Gradiumは、声の色だけでなく、配信とレジスターを方向付けるため、意図する用途で締めくくることを推奨しています。1つのリクエストで1〜5つの候補が返され、通常3〜5秒で準備ができます。これらは単一のキャラクターのバリエーションであるため、異なるキャラクターが必要な場合は、より多くのサンプルではなく、異なる説明が必要です。

候補から製品音声へ

フローは4つの呼び出しです。POST /voice-generator/generateは、ready: falseの候補IDを生成します。GET /voice-generator/embeddingsは、それらが反転するまでポーリングします。各候補は、candidate idをvoice_idとして使用し、通常のTTSエンドポイントを通じてオーディションを行います。POST /voices/from-embeddingは、保持するものを昇格させます。候補には、変換された音声にはない3つの制限があります：audition text