Edge0、0.6Bのオープンウェイト音声クローンモデルAudio8-TTS-Realisticを公開:23言語・Apache 2.0、タイ語WERは約49%
MarkTechPostの2026年10月29日の報道によると、Edge0はオープンウェイトのTTSモデルAudio8-TTS-Realisticを公開した。メインモデルは601Mパラメータで23言語に対応し、重みとコードはApache 2.0で公開された。CV3の9言語平均誤り率4.86%、タイ語WER 48.57%は自社報告で、SGLang Omniアダプタも付属する。
主な変更
MarkTechPostの2026年10月29日の報道によると、Edge0はAudio8-TTS-Realisticを公開した。これはAudio8 TTSシリーズで2番目の0.6B版であり、報道は重みとコードがApache 2.0ライセンスで公開されたと伝えている。メインモデルは601Mパラメータ(コーデックを除く)で、リポジトリにはチェックポイント、44.1 kHzのニューラル音声コーデック、トークナイザー、プロセッサ、カスタムコードが同梱され、最大2048個のパックされたテキスト/音声位置を扱える。推論インターフェースは前世代のAudio8-TTS-Preview-0.6bと同一だ。参照音声とその書き起こしによるゼロショットクローンができ、参照音色なしでも直接合成できる。報道によれば23言語に対応し、前世代より12言語多い。追加言語としてアラビア語、フィンランド語、ヒンディー語、インドネシア語、マレー語、ノルウェー語、ポルトガル語、ロシア語、スウェーデン語、タイ語、トルコ語、ベトナム語が挙げられているが、完全な言語リストは報道されていない。 アーキテクチャはFish Audio S2 Proに着想を得た二重自己回帰設計だ。低速ブランチはQwen2.5 0.5Bを基に24層、幅896で、毎秒約21.5フレーム、各ステップでテキストトークンと最初の音声コードブックを予測する。4層の浅い高速ブランチが残り9個のコードブックを並列に予測する。学習は3段階で、多言語教師あり微調整、WER重み0.7・SIM重み0.3のGRPO、学習されたリアリズム判定器に導かれるGRPOだ。判定器は凍結したWavLM-large上に約3Mパラメータを載せ、参照長の1.35倍の長さペナルティを設けて話速を遅くしてスコアを稼ぐのを防ぐ。最後の段階は中国語と英語のプロンプトのみを使ったが、報道によれば13の低資源言語の誤り率は22.53%から20.77%に低下し、SIMは0.637から0.679に上昇した。 性能値はすべてベンダー自社報告だ。Seed-TTSの英語・中国語平均誤り率1.25%、SIM 0.704。CV3の9言語平均4.86%、SIM 0.661。MiniMaxの24言語平均5.89%、SIM 0.754。報道の横比較ではCV3でVoxCPM2が5.35%、CosyVoice3-1.5Bが6.89%、Qwen3-TTS-1.7Bが7.73%、4B級のHiggs TTS 3が4.41%と報告され、MiniMaxではHiggs TTS 3が2.74%だ。Edge0は評価パイプラインとテキスト正規化が異なるとして、この表を参考比較だとしている。最も弱いのはタイ語のCV3 WER 48.57%。広東語はMiniMaxでCER 31.35%だが、報道はモデルが広東語を完全な対応リストに含むか説明しておらず、このスコアのモデル版と評価セットの帰属はベンダーに確認する必要がある。配備にはPyTorch 2.5+とTransformers 4.57+が必要で、trust_remote_codeで読み込む。リポジトリにはCLI、バッチ処理、教師あり微調整スクリプトがあり、GPUサービスにはSGLang Omniアダプタが使え、ページドアテンション、動的バッチ処理、OpenAI互換の音声インターフェースを提供する。
開発者への影響
最初の影響は規模とライセンスの組み合わせだ。0.6Bのメインモデルにコーデックを加えた規模は、単一GPU推論と全パラメータ微調整の敷居が、報道にある1.7B、2B、さらには4B級の競合より明確に低いことを意味する。報道されたApache 2.0は、表のHiggs TTS 3の「研究・非商用利用」と対照をなす。ただし重みが入手可能であることはライセンスに制約がないことを意味しない。リポジトリにはコーデックなどの構成要素も同梱されるため、公開前にライセンス条項と学習データの出所を項目ごとに確認すべきだ。後者については報道が触れていない。 第二の影響は平均値ではなく能力分布にある。CV3の9言語平均4.86%は競争力があるように見えるが、タイ語WER 48.57%は同じモデルの言語間での可用性差が非常に大きいことを示す。さらに重要なのは23言語の完全なリストが未公開で、開発者が報道から必要な言語の対応可否を判断できないことだ。広東語が典型で、報道はMiniMax上の広東語CERを示すが、それが23言語に含まれるかは述べていない。 第三の影響はサービス側の不確実性にある。アダプタは既存の音声ゲートウェイに接続できるが、報道はスループットとストリーミングが未ベンチマークだと明言しており、容量と初回パケット遅延は自分で測る必要がある。44.1 kHz出力は24 kHz方式より単位時間あたりのサンプル数が多く、保存と帯域のコストが高い(これはサンプルレートからの推算で、報道の結論ではない)。長時間音声のアーカイブ業務では実際のコスト項目になる。 端末側で最もつまずきやすいのは、論文が報告する1.1〜1.2 GiBのピークメモリがApple M2 CPU上のINT4 ONNXの数値であり、Realisticには現時点で公開されたONNXエクスポートがないことだ。この数値を端末での実現可能性の証拠とみなすのは成立しない。
導入と評価の提案
提言1(条件付き分析であり、報道事実ではない):既存TTSを全面的に置き換えるのではなく、言語別に段階導入する。判断のきっかけとなる報道上の変化は、言語数が前世代より12種多い23種になったこと、推論インターフェースが前世代と同一で、移行コストが主にコードではなくデータにあることだ。前提は、各対象言語にクリーンな参照音声と逐字の書き起こしを用意すること。判断基準は測定可能な指標にする。各言語で朗読と会話を混ぜた200件以上のテストセットを自作し、中国語CERと英語WERが少なくとも既存の本番モデルに並ぶこと。タイ語のように報道でWERが約49%の言語で、自社テストセットでも閾値を大きく上回るなら、予備エンジンを使い続ける。報道が対応を確認していない言語は、平均値で通してはいけない。 提言2:まずサービススタックを自測し、その後SGLang Omniアダプタか直接Transformers推論かを決める。変化点は、アダプタがOpenAI互換の音声インターフェースと動的バッチ処理を提供する一方、報道がスループットとストリーミングを未ベンチマークと明言していることだ。リアルタイム対話のようなストリーミング業務では、まずアダプタのストリーミング挙動が使えるか確認する。オフラインのバッチ合成だけなら、動的バッチ処理を優先的に検証する価値がある。判断基準は目標同時接続数でのp95初回パケット遅延、リアルタイム率、GPU1枚あたり1時間に生成できる音声分数で、3項目とも自社GPUで測り、ベンダーが示していないスループット数値を引用しない。 提言3:端末側またはCPUのみの配備は、この版では当面スケジュールしない。変化点はRealisticに公開されたONNXエクスポートがなく、報道のINT4メモリ数値が論文環境のものだということだ。どうしても必要なら、まずPyTorchで対象デバイスのピークメモリとリアルタイム率を測り、基準を満たしてから量子化エクスポートを検討する。同時にクローン機能は機密性の高い機能として扱う。参照音声の収集同意、保持期間、呼び出し監査を公開前に定め、抜き取り検査のカバー率のような測定可能な指標で統制する。
制限と未確認事項
すべてのベンチマークはベンダー自社報告で、Edge0自身も比較表を参考比較と称している。タイ語などの弱みや4B級モデルの先行幅は、第三者の再現がない。スループット、ストリーミング、長文安定性、高並行時の性能は公開されておらず、既知の可用性ではなく未知である。学習データの出所、話者同意の仕組み、悪用防止については報道が触れていない。報道は追加された12言語しか列挙しておらず、23言語の完全なリストは未公開のため、どの言語(広東語を含む)が対応範囲かは報道から推測できない。広東語のCER 31.35%はMiniMax 24言語評価セットによるもので、このスコアのモデル版と評価セットの帰属はベンダーに確認する必要がある。 このバージョンは現時点でKimiSeekのモデルカタログに掲載されておらず、カタログ内に比較できる音声モデルもない。報道で言及されたOpenAI互換の音声インターフェースはEdge0がオープンソース化したSGLang Omniアダプタによるもので、Hugging Faceには無料のPlaygroundもある。APIの可用性はベンダーとアダプタの説明に従う。当サイトはこのモデルのサービスを提供していない。