掲載済み (2026-05-09号)
089 133文字 • 1分

Irodori-TTS: 絵文字によるスタイル制御が可能なFlow Matchingベースの日本語TTSモデル

原題: GitHub - Aratako/Irodori-TTS: A Flow Matching-based Text-to-Speech Model with Emoji-driven Style Control

英語
github.com/Aratako

掲載情報

2026年5月9日土曜日号 未掲載

概要

Flow MatchingとRectified Flowを採用し、テキストや絵文字による指示で声色を自在に操れる「Voice Design」機能を備えた日本語特化型の高音質音声合成モデル。

詳細内容

Aratako氏によって公開された「Irodori-TTS」は、Echo-TTSの設計思想を継承したFlow Matchingベースのテキスト読み上げ（TTS）リポジトリです。Rectified Flow Diffusion Transformer (RF-DiT) を採用し、DACVAEを用いた48kHzの高品質な音声生成を実現しています。最大の特徴は「Voice Design」機能で、参照音声なしでも「落ち着いた女性の声」といったテキスト指示（キャプション）や絵文字から話者のスタイルを制御できます。また、少量の参照音声を用いたゼロショット・ボイスクローニングや、PEFT/LoRAによる効率的なファインチューニング、Muonオプティマイザのサポートなど、最新の深層学習技術が凝縮されています。現在、500Mパラメータのv2モデルが公開されています。
元記事を読む 他のサマリーを見る