稼働1億・総8億パラメータで、43言語の音声合成を説明しました。ブラウザー、Apple Silicon、C++などの実行経路と評価も公開しています。 端末上の音声生成を検討する材料です。機種別の遅延、言語と話者ごとの品質、参照音声の利用範囲を確認して運用へ接続します。 小型の混合モデルで端末上の発話を作る ZyphraはHugging Faceで11月12日、ZONOS3-Miniの公開記事を掲載しました。本文の著者日付は11月11日です。モデルは稼働1億、総8億パラメータの構成で、43言語の文章からの音声合成や、参照音声を使った声の生成を説明しています。重みはApache 2.0、実行用コードはMITライセンスで公開します。前世代より小さい処理量で、端末上の実行を可能にする設計です。音声の符号化から生成モデル、話者の表現、追加学習までを組み合わせています。今回の公開日と本文中の記載日が異なるため、記事の掲載日を情報の確認基準として区別します。 話し方の操作と実行機種ごとの性能を確認する 公開物にはHugging Faceの重みと試用環境、WebGPU、Apple Silicon向けMLX、C++系の実行経路などが含まれます。声の表現や話し方を推論時に調整し、生成後の一部編集を行う例も示しました。Pixel 9のブラウザーやM3 MacBook Air、H100で最初の音声が出るまでの時間を報告しています。これらは同社が示す機種と条件での測定です。すべてのスマートフォンが同じ速度で動くとは読み取れません。音声アプリや端末内の支援機能を作る開発者には、通信を伴う外部生成とは異なる構成を選べる可能性があります。ただし、対応言語の数と各言語の品質は同一ではありません。声の似方、発音、抑揚、長い文章での安定性を分けて確認します。公開された評価も、採用先の音声と文章を使う検証を置き換えるものではありません。 参照音声と生成物を管理できる範囲で試す 実務上は、参照する音声をどの目的で使えるかを確認することが論点です。本人の意図や利用範囲を確認できる声で試し、生成音声が実際の本人の発話と誤解されない扱いを検討します。端末内実行でも、試用画面や追加サービスへ送信する構成は別に確認します。小さいモデルでも、同時利用、電池、メモリー、音声処理の負荷を実機で測る必要があると見られます。操作できる声の特性が増えるほど、設定の再現性と品質の確認範囲も広がります。公開コードの更新に合わせ、以前の設定で同じ結果が得られるかを記録します。自社向けの評価では、速さだけでなく誤読や不要な発話を検出できるかも対象にします。使う声、機器、言語を絞り、生成結果を説明できる体制を整える段階です。試作時と配布時で動かす環境が変わる場合は、同じ音声品質が保たれるかを確認します。端末ごとの失敗も記録して比較します。