📢 X投稿文
CAMB.AIの英語TTS「MARS5」。5秒の参照音声があれば、その声と話し方でテキストを読み上げられる。AR→NARの2段構成で、実況など抑揚の難しい発話にも対応をうたう。
https://github.com/Camb-ai/MARS5-TTS
🤖 AI考察
■ 概要（1行）
CAMB.AI の英語向けTTSモデル。5秒の参照音声とテキストから、スポーツ実況やアニメのような抑揚の難しい発話を生成する。
■ 特徴・用途（2〜3行）
AR（自己回帰）とNAR（非自己回帰）の2段構成で、ARがEncodecの粗い音声トークン（L0）を生成し、NARがそれを補完する独自構造。短い参照音声によるゼロショットの声質・プロソディ再現を狙い、感情表現が求められる英語音声の生成や動画の吹き替え・ナレーション用途に向く。
■ 結論（1line）
英語で短い参照音声から表現豊かな音声を作りたい技術者には有力候補だが、対応言語が英語中心である点は導入前に確認すべき。