Two undergrads built an AI speech model to rival NotebookLM | TechCrunch
二人の学部生がAI音声モデル「Dia」を開発しました。このモデルは、GoogleのNotebookLMに似たポッドキャストスタイルのクリップを生成することができ、彼らはAIの専門知識がほとんどない状態からわずか3ヶ月でこのプロジェクトを立ち上げました。
Diaは1.6億のパラメータを持ち、スクリプトから対話を生成することが可能で、ユーザーは声のトーンや非言語的な合図（咳や笑いなど）をカスタマイズできます。GoogleのTPU Research Cloudを利用してトレーニングされ、Hugging FaceやGitHubから入手可能で、10GBのVRAMを持つ現代のPCで動作します。デフォルトではランダムな声を生成しますが、特定のスタイルを指定することで声をクローンすることもできます。
TechCrunchのテストでは、Diaはスムーズに対話を生成し、音声の質は競争力があると評価されました。しかし、Diaは悪用の可能性があり、偽情報や詐欺的な録音を作成することが容易であるため、Nari Labsはモデルの悪用を防ぐためのガイドラインを設けていますが、責任は負わないとしています。また、トレーニングに使用したデータの詳細は公開されておらず、著作権に関する懸念も指摘されています。
今後、Nari LabsはDiaを基にした「社会的側面」を持つ合成音声プラットフォームを構築する計画を持っており、将来的には英語以外の言語への対応も予定しています。このように、Nari LabsのDiaは音声AI技術の新たな可能性を示す一例であり、今後の展開が注目されます。
GitHub – nari-labs/dia: A TTS model capable of generating ultra-realistic dialogue in one pass.
https://github.com/nari-labs/dia
nari-labs/Dia-1.6B ・ Hugging Face
https://huggingface.co/nari-labs/Dia-1.6B
