Audio8、軽量音声合成モデル Audio8-TTS-Preview-0.6b を公開──0.6B パラメータで 11 言語とゼロショット音声クローンに対応
0.6B という極小パラメータながら SOTA 級の音声合成品質を実現し、ONNX INT4 版や SGLang Omni アダプターでオンプレミスや商用推論サーバーへの組み込みが容易になった。
リリース: 2026-07-28 · 読了 3 分記事の要約
1. 核心（What）
- Audio8 はパラメータ数 0.6B の多言語音声合成モデル「Audio8-TTS-Preview-0.6b」を公開した。
- 日本語を含む 11 言語に対応し、ゼロショット音声クローンおよび 44.1 kHz のニューラル音声コーデックを同梱する。
- Python 3.10 以上および PyTorch 2.5.0 以降の環境で利用可能であり、ライセンスは Apache License 2.0 が適用される。
- 軽量な CPU 推論向けの ONNX INT4 版や、本番向けの SGLang Omni アダプターが同時に提供されている。
2. 影響（Why）
- ローカル環境への容易な組み込み: 単一の CUDA 対応 GPU や CPU 上で動かせる 0.6B 規模のモデルであるため、クラウドの重度なインフラ費用をかけずに商用アプリへ音声合成機能を直接組み込める。
- 国内音声合成サービスの検証負荷軽減: 国内の音声対話やコールセンターシステムを展開する中規模インテグレーターは、多額の API 従量課金コストを削減するためのオンプレミス音声合成の有力なベースラインとして検証価値が高い。
3. 根拠・詳細（How）
- DualAR アーキテクチャの採用: Fish Audio S2 Pro に着想を得た DualAR 構造を採用し、低速 AR トランスフォーマーが音声フレームごとのセマンティックトークンを予測し、高速 AR トランスフォーマーがコーデックコードブックを条件付きで予測する。
- マルチセッション分離によるメモリ管理: ONNX INT4 版では Slow AR、Fast AR、コーデックデコーダーの各セッションのみを常時ロードし、音声登録時は一時的にコーデックエンコーダーを読み込むことでピークメモリ消費を抑制する。
4. 展望・課題（Next）
- 多言語および方言対応の拡張: 現在のプレビュー版では 11 言語に制限されているが、今後のリリースでより広い多言語対応や中国語の方言サポートが予定されている。