Google、テキスト指示だけでAI音声をゼロから生成するFlash TTSを発表

リリースの概要

Googleは、新たに「Flash TTS」モデルを発表しました。この技術の最大の特徴は、テキストによる詳細な記述から、AI音声をゼロから設計できる点にあります。これまでの音声合成技術とは異なり、直感的な言葉での指示を通じて、特定のキャラクターや用途に適した音声を生成可能です。

発表された製品・新機能の詳細

Flash TTSは、声の高さ、トーン、感情、話し方のスタイルなどをテキストプロンプトで制御できる柔軟性を備えています。これにより、ユーザーは専門的なオーディオ編集ソフトを介さずとも、求めている音響イメージをAIに直接伝え、具現化することができます。

技術的な背景

Googleは、本モデルにおいて高品質な音声出力と生成速度の最適化を図っています。計算コストを抑制しつつ、人間の発声に近い自然なイントネーションを維持しており、テキストや画像生成に続き、音声生成においてもより柔軟なツールを提供することを目指しています。

今後の展望

今後、このFlash TTSモデルは動画制作、ゲーム開発、アクセシビリティ対応など、多岐にわたる分野での活用が期待されています。API公開や具体的なサービス統合のロードマップについては、今後の公式アップデートが待たれます。