AB
AB
AiBoss

すべてのカテゴリ

project

MAI-Voice-2 - マイクロソフトの次世代テキスト読み上げモデル

MAI-Voice-2は、マイクロソフトの次世代テキスト読み上げ（TTS）モデルであり、マイクロソフト史上最も表現力豊かで自然な音声合成モデルです。従来モデルと比較して、忠実度、対応言語、話者の一貫性、感情表現の幅広さにおいて優れています。

MAI-Voice-2とは何ですか？

MAI-Voice-2は、マイクロソフトの次世代テキスト読み上げ（TTS）モデルであり、マイクロソフト史上最も表現力豊かで自然な音声合成モデルです。前モデルと比較して、忠実度、対応言語、話者間の一貫性、感情表現の幅など、あらゆる面で大幅に改善されています。15以上の言語に対応し、きめ細かな感情制御、ゼロサンプル音声クローン、コードスイッチング機能などを備えています。

MAI-Voice-2の主な機能

  • 多言語自然合成英語のみから15以上の言語へと対応範囲を拡大しつつ、自然さと表現力を維持する。
  • きめ細やかな感情制御感情タグ（悲しみ、ささやき声、興奮、混乱など）を通して、声の感情を正確に制御します。
  • ゼロサンプル音声クローニングわずか5～60秒の参照音声だけで、目的の音声を複製できます。また、すべての言語に対応しています。
  • 話者の身元は安定しているオーディオブック、ポッドキャスト、講義など、長尺コンテンツ全体を通して、話者の特徴を一貫して維持する。
  • 自然コードスイッチングヒンディー語と英語、スペイン語と英語、その他の言語を、リズムや一貫性を損なうことなく自然に混合することを可能にします。
  • ロールプレイングモチベーションコーチやスポーツコメンテーターなど、特定の役割スタイルをサポートします。

MAI-Voice-2の技術的原理

  • 独自開発の音声基本モデルアーキテクチャMAI-Voice-2は、マイクロソフトが独自開発した音声モデルを基盤とし、エンドツーエンドのニューラルネットワーク音声合成アーキテクチャを採用しています。このモデルは入力テキストを包括的に理解し、イントネーション、感情、話し方に自動的に適応することで、開発者による大規模な手動パラメータ調整を必要とせずに、人間のような音声を生成します。そのアーキテクチャはAzure Neural HD音声合成と類似しており、表現力、対応言語、話者の一貫性において世代を超えた向上を実現しています。
  • 多言語統合モデリングMAI-Voice-2は、MAI-Voice-1の英語単言語モデルを拡張し、15以上の言語をサポートする統合型多言語音声合成システムです。このモデルは、声調言語、ピッチ強勢言語、強勢拍言語、音節拍言語など、さまざまな音韻体系に合わせて徹底的に最適化されており、各言語において、自然さと表現力の点で英語と同等の出力品質を実現しています。
  • ゼロサンプル音声クローニング（音声プロンプト）このモデルはゼロショット音声クローニングに対応しており、わずか5～60秒の参照音声だけで話者識別特徴を抽出し、それをターゲット言語に転送できます。特定の話者に対する微調整や再学習は不要です。音声プロンプト技術に基づき、システムは参照音声エンコーダーを通して話者埋め込みを抽出し、合成中に音色、イントネーション、韻律的特徴の一貫性を維持します。

MAI-Voice-2の使い方

  • Azure FoundryへのアクセスAzure Foundryプラットフォームを介してMAI-Voice-2 APIを直接呼び出します。
  • カスタムブランドボイス5秒から60秒の参照音声ファイルをアップロードするだけで、再学習や微調整を行うことなく、オリジナルのサウンドを作成できます。
  • 感情のラベリング制御リクエストに感情タグを追加することで、出力される音声の感情表現を調整できます。
  • 承認申請音声クローン機能には認証が必要であり、本システムは本番環境での使用においてライセンスされた音声のみをサポートしています。

MAI-Voice-2の主な利点

  • 音質においてトップクラスブラインドテストでは、ユーザーの72%が前世代のMAI-Voice-1を好んだ。
  • 本物と偽物を見分けるのは難しい。両者の声は非常に似ているため、合成音声と実際の人物の録音を区別するのは難しい。
  • 安全性と法令遵守システムレベルの強制同意メカニズムにより、本番環境では承認された音声クローンのみが許可され、不正使用が防止されます。
  • 長文の安定性何時間にも及ぶコンテンツ全体を通して、話者の個性と声質を一貫して維持する。
  • 低障壁クローニングプロのレコーディングスタジオや大量のトレーニングデータは必要ありません。わずか数秒の音声データから音を再現できます。

MAI-Voice-2プロジェクトの住所

  • プロジェクト公式サイト：https://microsoft.ai/news/mai-voice-2expressive-speech-in-10-languages/

MAI-Voice-2と類似の競合製品との比較

比較対象寸法 MAI-Voice-2 Gemini 3.1 Flash TTS
開発者 マイクロソフト（AI） Google DeepMind
リリース時間 2026年6月 2026年4月（一般公開プレビュー）
言語サポート 15以上の言語に対応（コードスイッチング（ヒンディー語-英語、スペイン語-英語）を含む）。 70以上の言語に対応し、より幅広い言語を網羅しています。
プリセットサウンド 具体的な数字は明らかにされず、ブランドカスタマイズに重点が置かれていた。 30種類の名前付き音（コレ、パック、カロンなど）
感情のコントロール きめ細かなSSMLタグ（悲しみ、ささやき声、興奮、混乱など） 200以上のインラインオーディオタグ（[sigh]、[laughing]、[whispering] （など）自然言語プロンプトをサポート
音声クローン 5～60秒のゼロショット、多言語対応 サポートされていません
おしゃべりな人々 明確なサポートはありません 単一のAPI呼び出しで、2人間の会話をネイティブにサポートします。
長文の安定性 オーディオブック、ポッドキャスト、講義に最適化されており、非常に安定したスピーカー性能を保証します。 数分後には画質が低下する可能性があるため、ブロックごとに処理することをお勧めします。
安全とコンプライアンス システムレベルでの強制的な同意により、許可されていない音声の作成および使用が防止されます。 すべての出力には、利用規約に基づき、SynthIDの透かしが入ります。
音質ランキング 72%がMAI-Voice-1を好むが、これは本物の人間と区別するのが難しい。 人工音声合成ランキング Elo 1211 (2位)

MAI-Voice-2の応用シナリオ

  • スマートアシスタントCopilot、アプリケーション、デバイス、およびカスタマーサービスセンター向けに、ブランド固有のトーン＆マナーを提供します。
  • エンターテインメントコンテンツゲーム、ポッドキャスト、オーディオブック、AR/VR向けのキャラクターボイスやナレーションを作成します。
  • アクセシビリティ視覚障害のあるユーザー向けにテキスト読み上げ機能を提供し、発話障害のあるユーザー向けに音声による代替手段を提供します。
  • 教育と訓練オンラインコースやシミュレーションシナリオ向けに、講師の声や仮想キャラクターの声を提供します。
  • コンテンツ作成クリエイターは、録音スタジオを必要とせずに、テキストをパーソナライズされた音声コンテンツに変換できます。
戻る