アリババの百霊が5つの音声モデルをオープンソース化：5億パラメータのTTSが同一音色のブラインドリスニングテストでオープンソース首位を獲得

動察 Beating AI 速報、アリババ（アント・グループ）の百霊がMing-3.0音声シリーズをオープンソース化、音声合成・音声理解・音声認識の三大分野をカバーし、計5モデル（TTS 2モデル、Audio 2モデル、ASR 1モデル）を提供、いずれもMITライセンスを採用。開発者はこれらを組み合わせて、音声入力・コンテンツ分析・音声応答を実現できる。

最も注目すべきは、わずか5億パラメータのMing-3.0-tts-0.5Bだ。ユーザーは監督のように自然言語でAIに怒りを抑えて話させたり、特定の単語を強調させたり、セリフのリズムを調整させたりできる。さらに声質クローン、テキストによる声質設計、指定位置への軽笑やため息など14種類のサウンドタグの挿入にも対応。Artificial Analysisの同声質ブラインドテストでは、同モデルが1069 Eloでオープンソースモデル第1位となった。

録音の理解を担うMing-3.0-audio-flashははるかに大きく、総パラメータ数は1260億に達し、1回あたり約65億がアクティブ化される。会議の録音を直接受け取り、議論内容について質疑応答し、合意点・相違点・ToDoを整理でき、事前に逐語録を別途生成する必要がない。

もう一つのMing-3.0-asr-tinyは音声認識に特化し、人名・地名・業界用語・会話の文脈を入力して、方言や難読語の認識を補助する。アントが公表した4種類の音声認識テストでは、平均エラー率は4.41%だった。