音声AI企業のGradiumは11月5日、Hugging Faceの公式ブログで、端末の中だけで動く小型の音声合成（TTS、文字を読み上げる技術）モデル「Phonon」の公開後の状況を報告した。公開から2週間で20万回以上ダウンロードされ、現在もHugging Faceで注目を集めているという。

サーバーもネットも使わない

多くの音声AIはクラウド上で動き、文章を読み上げるたびにサーバーとやり取りする。Phononは利用者の端末の中で動くため、入力した文章が外に出ず、ネットがつながらない場所でも使える。スマートフォン、ノートPC、小型のボードコンピューター、ブラウザのタブでも動作する。電話番号や日付、コードのような、音声合成が苦手としがちな読み上げにも対応したとしている。

モデルは2種類。英語専用の「Phonon 31m」は、商用製品にも自由に使えるApache 2.0ライセンス。英語・フランス語・ドイツ語・スペイン語・ポルトガル語の5言語に対応する「Phonon 40m」は非商用ライセンスで、商用で使う場合は利用者数に応じた料金になる。容量は約65MBと約75MBと小さい。内蔵の声は100種類以上あり、声の複製や声のデザインにも対応した。日本語は今のところ対象外だ。

Apple Watchでも動くデモ

公開時のデモでは、Wi-Fiを切ったApple Watchでコーヒーのいれ方を読み上げたり、電波の届かない場所のiPhoneで筋トレの回数を数えたりする例が紹介された。Hugging Faceの音声合成ランキング「Open TTS Leaderboard」では、聞き取りやすさでドイツ語とスペイン語が1位、評価したすべての言語で上位3位に入り、CPUでの読み上げ開始までの速さでもトップだったという。

開発者向けの使い方

専用の推論エンジン「ptts」は、Intel・Armの各CPU、CUDAやMetalなどのGPU、Apple Core MLなどのNPU（AI処理用チップ）と10以上の環境に対応する。ライブラリ「Transformers」のv5.21からも使える。オープンな音声合成モデルとしてはZyphra、声をまねる音声合成「ZONOS3-Mini」をオープン公開　43言語対応、スマホのブラウザでも動作も公開されたばかりで、手元で動く音声AIの選択肢が増えている。