AI・機械学習
上級
SparkTTS（SparkAudio）2025（スパークティーティーエス）
SparkAudioが開発した高品質ゼロショット音声クローニングTTSモデル。BigCodecという超低ビットレート音声コーデックを採用し、わずかな参照音声で高品質な声複製を実現。
0 回閲覧
0 いいね
2026/6/7 更新
関連タグ
音声合成
TTS
SparkAudio
音声クローニング
BigCodec
SparkTTS（SparkAudio）2025
概要
SparkTTSは、SparkAudioが2025年3月に発表した音声クローニング・TTS統合モデル。音声コーデック「BigCodec」と大規模言語モデルQwen2.5を組み合わせることで、テキストと音声を同一トークン空間で扱うアーキテクチャを実現した。
主要スペック
- ベースLM: Qwen2.5（0.5B〜7Bバリアント）
- 音声コーデック: BigCodec（0.5kbps・超低ビットレート）
- 参照音声要件: 3〜30秒
- サンプリングレート: 16kHz（出力）
- RTF: 約0.1（10倍速リアルタイム以上）
- 公開: Hugging Face（研究ライセンス）
BigCodecの革新性
従来の音声コーデックとSparkTTSのBigCodecの比較:
| コーデック | ビットレート | 音声品質 (UTMOS) |
|---|---|---|
| EnCodec 6kbps | 6kbps | 3.8 |
| DAC 8kbps | 8kbps | 4.0 |
| BigCodec | 0.5kbps | 4.2 |
BigCodecは従来比10〜16倍低いビットレートで高品質を維持。LLMのトークン予算を節約しながら音声を表現できる。
アーキテクチャの特徴
SparkTTSは「BiCodec」という独自設計で音声をグローバルトークン（話者特性）とセマンティックトークン（言語内容）の2種類に分解:
- グローバルトークン: 話者のピッチ、速度、音色を表現（数トークンで完結）
- セマンティックトークン: 音声の言語内容を表現（Whisperベース）
この分離により、参照音声が3秒と短くても話者特性を正確に捉えられる。
他モデルとの差別化
- Fish Speech: 多言語対応強み、SparkTTSは音質と低ビットレートが強み
- CSM-1B: 会話特化、SparkTTSは汎用クローニング向け
- Orpheus TTS: 感情タグ制御、SparkTTSは自然なプロソディ自動生成
まとめ
SparkTTSのBigCodecによる超低ビットレート音声トークン化は、音声LLMの効率化において重要な技術的貢献。LLMコンテキスト窓を音声に使う際のトークン効率を大幅に改善し、長時間音声対話AIの実現を後押しする。