Hugging Face上の開発元記事で、31mの英語版と40mの5言語版を解説しました。前者はApache 2.0、後者は非商用ライセンスで、推論経路も異なります。 ネットワーク不要という特性と、モデルごとの利用条件を合わせて判断します。速度の順位は特定の評価条件であり、各端末の実測確認が焦点です。 クラウドへ送らず端末で声を作る Gradiumの開発者らは11月5日、Hugging Faceのブログで音声合成モデルPhononを詳しく紹介しました。2週間前の公開を振り返り、端末内で動くモデルの構成、事例、評価結果をまとめた記事です。新たに初公開した日として扱うものではありません。入力した文章をサーバーへ往復させず、ネットワークがなくても音声を作る設計です。小型化だけでなく、音声の品質と言語への対応を両立する狙いを説明しています。Pocket TTSの系統を基に、学習時の不安定さなどに対処した経緯も紹介しています。端末内の処理を選ぶ開発者に向けた実装と評価の情報です。 英語版と5言語版で利用条件が異なる Phonon 31mは英語に対応し、Apache 2.0で公開されています。Phonon 40mは英語、フランス語、ドイツ語、スペイン語、ポルトガル語を扱い、非商用の条件です。記事は組み込みの声や独自の声の作成にも触れています。携帯電話、ノートパソコン、ブラウザなどでの利用例を示し、開発者向けには専用の推論基盤pttsを用意しました。Transformersにも参照実装があります。影響を受けるのは、通信できない環境や、入力文を端末へとどめたいアプリの開発者と見られます。ただし、同じ名称でも全モデルが商用利用に同じ条件を持つわけではありません。対応言語の一覧に日本語は含まれておらず、日本語の端末内音声としてそのまま採用できるとは説明されていません。 単一端末の応答とGPUの大量処理を分ける pttsは幅広いCPU、GPU、NPUを対象にし、端末上の単一の音声ストリームを重視します。一方、Transformersの経路はGPUでまとめて生成する処理などを想定します。導入側では、対話の最初の音が出るまでの時間と、大量の音声を作る処理量を別々に測ることが論点です。記事はHugging Faceの音声評価での順位を紹介していますが、特定の評価軸と条件による結果です。端末の熱や電力、メモリー、他の処理との競合で使用感が変わる可能性があります。商用の条件が必要な版については、ユーザー数に基づく価格の説明もあります。生成回数だけで費用を比べず、選ぶモデルと運用形態をそろえて確認する必要があると見られます。 通信不要でもアプリ全体の扱いを確認 音声を端末内で生成できることは、アプリが他の場所へ一切情報を送らないことと同じではありません。ログや独自音声の作成に使う経路は別に確認する対象と考えられます。次の判断点は、目的の言語と利用条件で必要な品質が出るかです。数字や日付、固有名詞を含む実際の文章で試し、音声が出るまでの待ち時間も測ることが考えられます。公開評価の順位と、自社の端末での採用判断を分けることが重要です。選んだ音声の利用範囲も別に確認する対象です。