AI・機械学習
上級
Sesame CSM-1B 会話音声モデル（セサミシーエスエムワンビー）
Sesame AIが開発した1Bパラメータの会話特化音声モデル（Conversational Speech Model）。自然な会話の間・相づち・文脈認識を持つ音声合成を実現。
0 回閲覧
0 いいね
2026/6/7 更新
関連タグ
音声合成
会話AI
Sesame AI
音声クローニング
Sesame CSM-1B 会話音声モデル
概要
Sesame CSM-1B（Conversational Speech Model）は、Sesame AIが2025年3月に公開した音声生成モデル。パラメータ数1Bと比較的小型ながら、会話特有の自然な間・相づち・感情表現を音声合成に組み込んでいる点が特徴。
主要スペック
- パラメータ数: 1B
- ベースLM: Llama（テキストバックボーン）
- 音声コーデック: EnCodec（Metaの24kHz音声コーデック）
- ゼロショットクローニング: 対応（数秒のサンプル音声から声を複製）
- ライセンス: Apache 2.0（Hugging Face公開）
- サンプリングレート: 24kHz
CSMのアーキテクチャ
CSMは「Conversational Speech Model」の略で、通常のTTS（Text-to-Speech）とは設計思想が異なる:
- コンテキスト音声入力: 直前の会話ターンの音声を入力に含める
- 話者一貫性: 同一話者の声を会話全体で維持
- プロソディ予測: 文末の上がり下がり、強調、ポーズをテキストから予測
- 感情整合: 入力テキストの感情トーンに合わせた音声生成
競合モデルとの比較
| モデル | パラメータ | ゼロショット | 会話特化 | ライセンス |
|---|---|---|---|---|
| CSM-1B | 1B | ○ | ○ | Apache 2.0 |
| Orpheus TTS | 3B | ○ | △ | Apache 2.0 |
| Fish Speech | 0.5B | ○ | △ | CC-BY 4.0 |
| Kokoro | 82M | × | △ | Apache 2.0 |
用途
- AI音声アシスタントへの組み込み
- ゲームNPCのダイアログ音声生成
- ポッドキャスト・ナレーション制作支援
- アクセシビリティ向け音声UI
まとめ
CSM-1Bは「会話らしさ」に特化した設計が差別化ポイント。単純な文章読み上げではなく、文脈を持った自然な会話音声を生成する能力が、AIエージェントへの組み込みユースケースで評価されている。