真のストリーミングTTSが登場
X2Streaming-TTSという新しい技術が発表されました。これは、テキストを音声に変換するTTSの進化した形です。従来の多くのTTSは、文全体が確定するのを待ってから音声を生成していました。そのため、どうしても遅延が発生していました。しかし、X2Streaming-TTSは、テキストのトークン、つまり単語や句読点といった小さな単位が届くたびに音声を生成します。これにより、超低遅延の音声対話システムが実現可能になります。
従来のTTSが抱える課題
これまでのストリーミングTTSは、「疑似ストリーミング」と呼ばれていました。なぜなら、実際には文の終わりまで待ってから音声を生成していたからです。これは、未来の入力テキストが分からない状態で、どこで音声を区切るか、どのようなイントネーションにするかを決めるのが難しかったためです。結果として、会話のテンポが悪くなり、ユーザー体験を損ねる原因となっていました。リアルタイム性が求められる場面では、この遅延が大きな問題でした。
革新的な二つの独自技術
X2Streaming-TTSは、この課題を解決するために二つの主要な技術を導入しています。一つは「因果的コミットメント」です。これは、未来の入力を見越さずに、曖昧な表現を一時的に保留し、適切なタイミングで音声を確定させる仕組みです。もう一つは「音声状態継承」です。これは、前の音声の状態、例えば声質や話し方などをセグメントの境界を越えて引き継ぎます。これにより、未来の入力を見なくても、音響的な連続性と自然なつながりを保つことができます。
低遅延と高品質を両立
実験の結果、X2Streaming-TTSは既存の疑似ストリーミングモデルを大きく上回る性能を示しました。品質面でも、オフラインでじっくりと生成する従来のモデルに匹敵するレベルです。特に注目すべきは、TTFT（Time To First Audio Token）です。これは、最初の音声トークンが生成されるまでの時間を示します。単一のリクエストでは中央値で15.8ミリ秒という驚異的な速さです。128の同時リクエスト時でも、中央値260.8ミリ秒を実現しています。これは、リアルタイム性が極めて重要な会話AIにおいて、大きな進歩と言えます。
会話AIの未来を拓く
このX2Streaming-TTSの登場は、会話AIの未来を大きく変える可能性を秘めています。より人間らしい、自然なテンポでの対話が可能になるからです。顧客対応や音声アシスタントなど、様々な場面での応用が期待されます。ユーザーは、まるで人間と話しているかのようなスムーズな体験を得られるでしょう。この技術は、AIと人間のインタラクションを次のレベルへと引き上げる重要な一歩です。
PR
文賢 →
遅延はビジネスの敵です。リアルタイム性が求められるAIプロダクト開発では、ミリ秒単位の差が顧客体験を左右します。このトークンレベルTTSは、会話AIの常識を変えるでしょう。最速で取り入れ、営業代行や顧客対応の品質を一段階引き上げます。
