Irodori-TTS-500M-v2-duration-control

Irodori-TTS-500M-v2-duration-control (テスト版)

Irodori-TTS-500M-v2 をベースに、生成duration（秒数）を指定して合成できるようにファインチューニングしたモデルです。

duration を明示することで、特に30秒未満の短い音声で RTF（real-time factor）を改善できます（指定した長さ以上に latent を生成しないため）。

テスト版です。今後、より品質の高い学習版を公開予定なので少々お待ちください。

特徴

• duration を秒数で指定して生成可能
• 短い発話で生成コストを抑えられる
• ベースモデルで duration を短めに指定したときに語尾が途切れがちだった問題を解消
• ベースモデルとほぼ同じ声質を維持

注意点

ゼロショット推論（参照音声 1 サンプルだけで声を真似る方式）では、ベースの v2 と比較して声質が若干低下する傾向があります。目的の声質に揃えたい場合は、本モデルをベースに LoRA などで対象話者向けにファインチューニングすることを推奨します。

サンプル音声（A/B 比較）

すべて同じ参照音声・同じテキスト・同じサンプリング設定（30 step / linear schedule / euler / seed 固定）で生成。声質はほぼ同等で、差は誤差範囲内と考えています（ベースに比べて若干 speaker similarity が下がる傾向はあります）。

0. おはよう、今日もよろしくね。

ベース (v2):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/base/sentence_00.wav"></audio>

本モデル (duration control):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/duration_control/sentence_00.wav"></audio>

1. 深層学習モデルの推論速度は、量子化と蒸留で大幅に改善できる。

ベース (v2):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/base/sentence_01.wav"></audio>

本モデル (duration control):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/duration_control/sentence_01.wav"></audio>

2. 桜の花びらが舞い散る中、彼女は静かに微笑んだ。

ベース (v2):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/base/sentence_02.wav"></audio>

本モデル (duration control):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/duration_control/sentence_02.wav"></audio>

3. 週末は山に登って、頂上で温かいコーヒーを飲みながら雲海を眺めるのが、何よりの楽しみだ。

ベース (v2):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/base/sentence_03.wav"></audio>

本モデル (duration control):

<audio controls src="https://huggingface.co/kizuna-intelligence/Irodori-TTS-500M-v2-duration-control/resolve/main/samples/duration_control/sentence_03.wav"></audio>

クレジット

ベースモデル: Aratako/Irodori-TTS-500M-v2

ライセンス

Apache-2.0（ベースモデルに準拠）