■ 概要 テキストから参照音声のトーンカラーを抽出し、多言語・多スタイルに対応する即時的な音声クローニングを実現するオーディオ基盤モデル。 ■ 特徴・用途 ゼロショットでのクロスリンガルクローニングが可能であり、参照音声のトーンカラーを維持したまま、感情、アクセント、リズムなどのスタイル制御を高度に行える。V2ではネイティブな多言語サポートと高品質な音声生成を実現し、コンテンツ制作やAIアバターの音声生成パイプラインに組み込むことが可能。 ■ 結論 商用利用が可能なオープンソースモデルであり、高品質な音声合成と柔軟なスタイル制御を必要とするエンタープライズレベルのアプリケーション開発に極めて有用である。