Orpheus TTS 3B（Canopi AI）（オルフェウスティーティーエスサンビー）

Orpheus TTS 3B（Canopi AI）

概要

Orpheus TTS 3Bは、Canopi AIが2025年2月に公開したオープンソース音声合成モデル。Meta Llama-3.2-3Bをベースに音声合成向けのファインチューニングを施し、感情タグを用いた非言語音声表現の制御を可能にしている。

主要スペック

• ベースモデル: Meta Llama-3.2-3B
• パラメータ数: 3B
• 音声コーデック: SNAC（Multi-Scale Neural Audio Codec、24kHz）
• ライセンス: Apache 2.0
• VRAM要件: 8GB以上推奨
• 言語: 英語（メイン）、多言語は実験的

感情タグシステム

Orpheusの最大の特徴は、テキスト内に感情タグを埋め込むことで非言語的な音声表現を制御できる点:

例: テキスト中に感情タグを埋め込むことで笑い声とため息を含む音声を生成できる。

他モデルとの比較

• CSM-1B vs Orpheus 3B: CSMは会話コンテキスト重視、Orpheusは感情タグによる細かい制御が強み
• Fish Speech vs Orpheus: Fish Speechは多言語・クローニング重視、Orpheusは英語品質と感情表現重視

ローカル実行

# Hugging Faceからダウンロード
huggingface-cli download canopylabs/orpheus-3b-0.1-pretrained

# 推論（vLLM使用）
vllm serve canopylabs/orpheus-3b-0.1-pretrained \
  --dtype bfloat16

まとめ

Orpheus TTS 3Bは、感情タグによる非言語音声表現の制御という独自のアプローチで差別化されたオープンソースTTSモデル。Apache 2.0ライセンスにより商用利用も可能で、2025年の音声AI開発コミュニティで注目されている。