MiniMax、Speech 2.5をリリース：音声合成技術が多言語対応と音色の再現を突破

8月7日MiniMax 次世代スピーチジェネレーションモデルを発表 Speech 2.5..公式筋によると、このモデルはその前身である Speech 02 前バージョンに加え、多言語表現力、音調再現精度、対応言語数が向上。

人工知能が生成するコンテンツ（AIGC）の分野では、Text-to-Speech（TTS）技術は、より自然な人間とコンピュータの対話を実現するための重要な要素です。通常、音声モデルの長所を評価するには、発音の正確さ（単語の誤り率の低さなど）、生成された音声とターゲットの音色の類似性、音声の自然なリズム感（間やアクセントが人間の習慣に合っているかなど）など、いくつかの次元が考慮されます。MiniMax このアップデートの中心は、これらのコア指標である。

コア・アップグレード：多言語、音色、カバレッジ

基礎 MiniMax 公式発表Speech 2.5 主なブレークスルーは以下の3つの分野に反映されている：

1. 多言語主義の強化このモデルは、英語などの主流言語でのパフォーマンスを向上させながら、北京語向けにさらに最適化されている。公式には、新モデルは類似性と自然なリズムの点で前モデルを上回り、多言語シナリオにありがちな「機械的な感覚」の問題を解決することを目指している。
2. 音色の再現精度の向上トーン・リプロダクション（特定のキャラクターの声をクローン化する能力）は、現在の TTS この分野での競争の焦点のひとつである。Speech 2.5 特に、言語横断的な再生や、特定のアクセント（例えば、同じ言語下での地域的なアクセント）の保持といった複雑なシナリオにおいて、より忠実な再生を目指し、発声の詳細を捉える能力が向上しています。例えば、特定のスタイルのアクセントを模倣し、言語を切り替えても元の話者の声質を保持することができます。
3. 対象言語の拡大新モデルでは、ブルガリア語、デンマーク語、ヘブライ語などのニッチ言語のサポートが追加され、合計で40言語となった。この拡張は、コンテンツの展開をグローバル化する必要のある企業にとって実用的な意味を持つ。

市場の用途と産業への影響

高品質な多言語音声合成技術は、従来のオーディオブック、ナビゲーション音声から、より広い分野へとその応用シーンを広げている。

ビジネスユーザー、特に海外に拠点を持つ企業にとってはSpeech 2.5 このようなモデルは、多言語コンテンツ制作のコストを大幅に削減することができる。以前は異なる国からネイティブスピーカーを雇う必要があったコマーシャル、製品ビデオ、顧客サービスのナレーションも、このモデルを使えば素早く作成できるようになり、制作サイクルとコストを大幅に削減できる。

コンテンツ制作者にとって、パーソナライズされた音声再生は、多言語コンテンツを自分の声で公開できることを意味し、言語の壁を取り払い、より多くの世界中の視聴者に届けることができる。これは、ショートビデオ、ポッドキャスト、ライブアバターなどの分野で応用できる大きな可能性を秘めている。

教育分野では、この技術を使って、ニッチな言語の教材を素早く作成したり、特定の地域の方言でカスタマイズした教材を作成したりすることもできる。

市場の競争状況

音声合成は新興分野ではなく、市場競争も激しい。MiniMax Speech 主な競合他社は以下の通り。 ElevenLabs後者は力強いヴォーカルのクローニングと感情表現で知られている。一方。OpenAI な Voice Engine 歌で応える Microsoft な VALL-E このようなモデルも強力な技術力を示しているが、まだ大規模には公開されていないものもある。

MiniMax プレスリリースでは、次のように述べられている。 Speech このモデルは VapiそしてPipecat アイソメトリックス Agent プラットフォームや、ハイウェイ・エデュケーションやヒマラヤといった企業による国内での採用が進んでいる。モデルを継続的に反復し、言語サポートを拡大することでMiniMax 競争の激しいグローバル市場において、価格と性能、そして特定の市場に対する徹底的なサポートで勝負したいという明確な願望がある。

現在Speech 2.5 承認済み MiniMax オープンプラットフォームとその公式ウェブサイトをユーザーに提供する。