Meta、個別のトレーニングデータがなくても音声を生成できるAIモデル「Voicebox」を発表：英語、フランス語など6言語に対応

Metaは、個別のトレーニングデータがなくても音声を生成できる同社初の音声生成AIモデル「Voicebox」を発表した。

[＠IT]

　2023年6月16日（米国時間）、Metaは、個別のトレーニングデータがなくても音声を生成できる同社初の音声生成AI（人工知能）モデル「Voicebox」を発表した。

　Voiceboxは音声を生成することも、与えられたサンプル音声を変更することもできる。6つの言語（英語、フランス語、スペイン語、ドイツ語、ポーランド語、ポルトガル語）の音声を合成できる他、ノイズ除去、コンテンツ編集、スタイル変換などを実行できる。

　従来、音声生成AIには整備されたトレーニングデータを使用して、タスクごとに個別のトレーニングを行う必要があった。Voiceboxは、生の音声とその文字起こしだけから学習するアプローチを採用して開発された。拡散モデルよりも優れた結果を出す「フローマッチング」という手法に基づいている。同社によるとVoiceboxは、明瞭度（単語誤り率5.9％対1.9％）と音声の類似性（0.580対0.681）の両方の点で、最先端の音声生成モデル「VALL-E」を上回っており、20倍も高速だという。