■ 概要 LLMでテキスト→音声トークン化、Flowモデルで波形化する2段階設計に、マルチリワード強化学習で感情表現を付加したゼロショット音声合成。 ■ 特徴・用途 - **ゼロショット音声クローニング**: 3-10秒の参照音声で新話者対応可能（Audio8等の従来型より学習時間を削減） - **感情・プロソディ制御**: RL強化学習で「感情的な読み」「間」「強調」を自動獲得→キャラクター音声・ナレーション向け - **ストリーミング推論**: LLMトークン生成と並行してFlow処理可能→インタラクティブアプリ・ライブ対応の実装余地あり ■ 結論 LLM→トークン化→波形の直列パイプラインが感情表現の構造的課題（従来TTSの単調性）を補う点で実装価値がある一方、LLMコールド/流量制御・RL学習コストが本番運用の検討項目。