EVI 3 - Hume AIによる音声・言語モデル

EVI 3とは何ですか？

EVI 3は、Hume AIが開発した最新の音声・言語モデルです。テキストタグと音声タグを同時に処理できるため、自然で表現力豊かな音声対話が可能です。高度なパーソナライゼーションに対応し、ユーザーの指示に基づいてあらゆる声や個性を生成し、感情や話し方をリアルタイムで調整します。OpenAIのGPT-4oなどのモデルとの比較テストでは、感情理解、表現力、自然さ、応答速度においてEVI 3が優れた性能を発揮します。また、EVI 3は低遅延応答機能も備えており、300ミリ秒以内に音声応答を生成します。

EVI 3の主な機能

• マルチモーダルな相互作用EVI 3は、テキストと音声入力の同時処理をサポートし、自然で表現力豊かな音声と言語応答を生成することで、音声とテキストのシームレスな統合を実現します。
• 高度にパーソナライズされたユーザーはプロンプトに基づいて任意の声と個性を作成でき、EVI 3はプロンプトに基づいて対応する声とスタイルをリアルタイムで生成し、10万種類以上のカスタムボイスをサポートします。
• 感情とスタイルの調整EVI 3は、ユーザーの指示に基づいて感情や話し方をリアルタイムで調整することができ、「興奮」から「悲しみ」まで様々な感情表現に加え、「海賊」や「ささやき声」といった独特な話し方もサポートしています。
• リアルタイムインタラクションEVI 3は、対話遅延時間内に音声および言語応答を生成することをサポートしています。

EVI 3の技術原則

• 自己回帰モデル単一の自己回帰モデルに基づき、テキスト（T）と音声（V）のトークンを同時に処理します。このモデルは、テキストと音声の入力を均一に処理し、自然で流暢な音声出力を生成できます。
• システムプロンプトシステムプロンプトには、テキストタグと音声タグが含まれ、言語コマンドを提供し、アシスタントの話し方を調整し、異なるプロンプトに基づいて異なる音声とスタイルを生成します。
• 強化学習強化学習の手法に基づき、あらゆる人間の声の好ましい特徴を識別・最適化することで、高度にパーソナライズされた音声生成を実現します。
• ストリーミング配信EVI 3はストリーミング技術を用いて、対話の遅延時間内に音声応答を生成することで、スムーズなリアルタイムのやり取りを実現します。

EVI 3プロジェクトの住所

• プロジェクト公式サイト：https://www.hume.ai/blog/introducing-evi-3
• オンラインでデモを体験してください：https://demo.hume.ai/

EVI 3の応用シナリオ

• インテリジェントな顧客サービス顧客に対し、自然で流暢な音声対話を提供し、質問に迅速に回答します。
• 音声アシスタントデバイスに組み込むことで、パーソナライズされた音声サービスを提供できます。
• 教育指導言語学習を支援し、社会性を向上させるための模擬対話。
• 感情的なサポート感情に寄り添い、心理的な安心感を提供する。
• コンテンツ作成オーディオブックなどで使用するための、特定の感情やスタイルを含んだ音声コンテンツを生成します。