Resemble AI、DramaBoxを発表：シーン記述を音声演技に変換するオープンソースTTSモデル
DramaBoxは、自然言語のシーン記述を入力するだけで、感情やリズムを伴った表現豊かな音声演技を生成するオープンソースのTTSモデルです。出力には透かしが埋め込まれ、出所の検証が可能。48kHzステレオ放送品質のオーディオを提供し、スタイルタグや後処理は不要。現在は英語のみ対応。
Resemble AIは、生成AIセキュリティに特化した企業であり、今回Product Huntにて8つ目のプロダクトとなるDramaBoxをリリースしました。これは、ユーザーがシーンを自然言語で記述するだけで、それを解釈して表現力豊かな音声演技を生成する、革新的なオープンソースのテキスト読み上げ（TTS）モデルです。従来のTTSモデルとは異なり、感情タグや後処理を必要とせず、「トーク番組の司会者が驚いて息を呑み、笑い出す」といった記述から、笑い声や息遣い、強調を含む自然な演技を生成します。出力は48kHzステレオの放送品質で、単一のオーディオファイルとして即座に利用可能です。
DramaBoxのすべての出力には、Resemble Watermarkerによる不可視の透かしがデフォルトで埋め込まれており、オーディオの出所を検証できます。これは、生成AIが悪意ある用途に使われるケースが増える中で、開発者に信頼性を提供します。現在は英語のみ対応しており、GitHub、Hugging Face、およびResembleアカウントで利用できます。ユーザーは参照音声を提供して声をクローンすることも、モデルにシーンに合った声を自動選択させることも可能です。Resemble AIは、検出APIとの併用を推奨し、さらなるコンテンツセキュリティを提案しています。
DramaBoxの登場は、TTS技術を単なるテキスト読み上げからシチュエーションに基づく演技へと進化させるものです。ストーリーテラー、コンテンツ制作者、AI研究者にとって強力なツールとなるでしょう。Resemble AIは過去にChatterbox TurboやSpeech-to-Speechなどもリリースしており、生成AIの安全性と革新性を追求し続けています。オープンソースであることからコミュニティによる貢献も期待され、今後の多言語対応や透かし技術の向上が注目されます。DramaBoxは、クリエイティブな音声生成とセキュリティを両立した新たな標準を築く可能性を秘めています。