Phonon TTS が端末内で動く高品質音声合成として公開され、同週の音声研究も会話・ストリーミング処理に集まった。
何が起きたか
Hugging Face で、端末内で動作する高品質な音声合成 Phonon TTS が「ベンチマーク上位」とうたって紹介された。同じ週に arXiv では、ストリーミング質問応答のベンチマーク、同時音声翻訳の方策学習、発音制御を高めるTTS蒸留など音声関連の論文が複数出ている。
なぜ重要か
音声合成をクラウドでなく端末側で動かす選択肢が公開された点が主な動きで、遅延やプライバシーの面で用途が広がる可能性がある。研究側もリアルタイム処理や発音精度に関心が向いており、実装と研究の方向が重なっている。※ベンチマーク上位との主張は発表側のもので、独立した検証は確認できていない。
次に何を見るか
Phonon TTS の実機での品質と動作要件、ライセンス条件、開発者側の採用報告が出るかを見たい。