
何が起きたか
AWSはQwenチームのQwen3-TTS-12Hz-1.7B-BaseをAmazon SageMaker JumpStart経由でリアルタイムエンドポイントに導入する方法を詳説した。
なぜ重要か
選んだ話者の声で、10言語のいずれでも、わずか数秒の参照音声から音声を生成できるようになった。モデルの再学習や大規模な学習データセットの収集は不要だ。
注目点
導入が約24 GBのGPU内に収まるかだ。talkerとcode2wav間でGPUメモリを分割することが鍵。KVキャッシュのトークン予算56,928トークンに注目。
誰に効くかパーソナライズされた音声体験を構築したり多言語コンテンツをローカライズしたりするメディアチーム、教育者、アプリケーション開発者は、自社のマネージドAWSエンドポイント上で音声クローンを実行できるようになった。コンタクトセンターやバーチャルアシスタントの構築担当者は、一貫したブランドボイスの恩恵を特に受けられるかもしれないが、導入にはGPUメモリの構成とルーティングの知識が必要だ。
こういう要約が、毎朝あなたのメールに届きます。
Qwen3-TTSファミリーはAlibaba CloudのQwenチームが開発し、Qwen3-TTS-Tokenizer-12Hz音声トークナイザーを用いて、低遅延の対話シナリオ向けにストリーミング生成をサポートする。ここで使うBaseバリアントは数秒のユーザー音声から音声クローンを行い、ファインチューニングのベースとしても使える。ユーザー提供の参照ではなく固定の定義済み話者から音声を生成するCustomVoiceバリアントとは異なる。
導入ではモデルを同一GPU上の2ステージとして実行する。テキストと参照音声から音声トークンを生成するtalkerステージと、それらを波形にレンダリングするcode2wavステージだ。コンテナ起動時に各ステージがエンドポイントのCloudWatch Logsロググループにメモリ使用量を記録する。talkerモデルの重みは3.66 GiB、code2wavモデルの重みは0.45 GiBで、残りのメモリの大半がKVキャッシュになる。KVキャッシュとは処理中のリクエストのトークンを保持する作業メモリだ。
この導入の鍵となる試練は、2ステージの合計GPUメモリ予約を24 GBの容量内に収めつつ、十分な数の同時リクエストをさばけるかどうかだ。記事は、TTSリクエストは通常短いため1インスタンスで複数の同時リクエストに対応できるが、トラフィックが増える場合はより多くのインスタンスかより大きなGPUが必要になると指摘する。チュートリアルは構成と監視でそのバランスを管理する方法を示しており、音声対応アプリケーションを構築するチームにとってこのニュースの実用的価値はそこにある。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
Reson8は5億パラメータの音声認識モデルRumble-2-FlashをApache 2.0ライセンスの無償オープンウェイトとして公開した
CADMAGEDDONはBenchCADの64³ボクセルIoUで、1000部品のサブセットにおいて0.991を記録し、Claude Sonnet 5.5の0.963、Claude Opus 5.5の0.962、GPT-6…

Googleは2月に買収したProducerAIとともにFlow Musicなどの生成AI音楽機能を展開し、Spacesで独自プラグインを制作するアーティストレジデンシー「Flow Music Sessions」を開始し…

Sunoは、楽曲向けに最長15秒の画像やクリップを生成するVisualsを開始

Twilioは、AI音声通話を妨げる問題を解決するConversation Relayの新機能を発表し、モデルと音声プロバイダーを柔軟に組み合わせられるようにした

llama.cppがバージョン1.0となり、--moe-cache-cpu-shareを導入
