SoulX-Podcast - Soul AI Labのオープンソース会話音声合成モデル

SoulX-Podcastとは

SoulX-Podcastは、高品質のポッドキャストコンテンツを生成するために設計された、Soul AI Labのオープンソースの先進的な複数話者会話音声合成モデルです。SoulX-Podcastは、実際のポッドキャスティングシナリオにおけるスムーズな会話をシミュレートし、複数ラウンドのダイアログを生成することができます。 また、北京語、英語、四川語、河南語、広東語などの複数の中国語方言をサポートしており、方言間のゼロサンプル音声クローニングをサポートし、単一のオーディオキューに基づいて異なる方言の音声を生成することができます。このモデルにはパラ言語制御機能が組み込まれており、笑いやため息などの非言語的要素を生成して、音声の自然さを高めることができます。長尺のダイアログ生成では、SoulX-Podcastは安定した音色と自然なリズムの変化を維持し、最長90分の首尾一貫したダイアログを生成します。

SoulX-Podcastの特徴

• 複数話者の対話生成安定した音色と自然なリズムの変化で、ポッドキャストのような複数回にわたる対話シナリオに適しています。
• 多言語および方言のサポート北京語、英語、複数の中国語方言（四川語、河南語、広東語など）をサポートし、方言横断的な音声クローニング機能を備えています。
• パラ言語制御笑い、ため息、呼吸音などのパラ言語的要素を生成することで、合成音声の自然さやリアルさを高めることができます。
• 長文対話の一貫性文脈の規則化メカニズムによって、長文対話の一貫性と感情の連続性を確保する。
• テキストから音声合成のサンプルはゼロ対象話者の音声サンプルがなくても、高品質なパーソナライズド・スピーチを生成できる。
• 高性能音声合成また、従来の一人用の音声合成タスクでも優れた性能を発揮し、業界をリードするレベルに達しました。
• オープンソースと使いやすさオープンソースコードと詳細なインストールガイドは、開発者が使用したり拡張したりするために提供されています。

SoulX-Podcastの主な利点

• 複数話者の対話生成自然で滑らかな多ラウンドのダイアログを生成することができ、ポッドキャストのような複数話者のシナリオに適しています。
• 多言語および方言のサポート北京語、英語、多くの中国語方言をサポートし、方言横断的な音声クローン作成機能を備えている。
• パラ言語制御笑いやため息などのパラ言語的要素の生成をサポートし、音声の自然さを高めます。
• 長文対話の一貫性トーンやリズムを着実に変化させながら、首尾一貫した台詞を最大90分話すことができる。
• テキストから音声合成のサンプルはゼロ個人化された音声は、対象話者の音声サンプルを必要とせずに生成することができます。
• 高い性能と品質従来の一人用音声合成タスクにおいて、業界トップレベルの優れたパフォーマンスを発揮。

SoulX-Podcastの公式ウェブサイトは？

• プロジェクトのウェブサイト:: https://soul-ailab.github.io/soulx-podcast/
• GitHubリポジトリ:: https://github.com/Soul-AILab/SoulX-Podcast
• HuggingFaceモデルライブラリ:: https://huggingface.co/collections/Soul-AILab/soulx-podcast
• arXivテクニカルペーパー:: https://arxiv.org/pdf/2510.23541

SoulX-Podcastは誰のためのものですか？

• ポッドキャストクリエイターポッドキャストの制作に最適な、高品質なマルチスピーカー・ダイアログコンテンツを生成します。
• コンテンツクリエーターオーディオ・ストーリー、バーチャル・インタビューなどのオーディオ・コンテンツの生成に使用できます。
• バーチャルアシスタント開発者多言語と方言のサポートにより、バーチャルアシスタントとの自然でスムーズな音声対話を実現します。
• 言語研究者複数の言語と方言をサポートし、言語研究や方言保存プロジェクトに使用できます。
• 教育者多言語教育や言語学習をサポートする教育用オーディオコンテンツの作成に使用できます。
• エンターテインメント業界関係者バーチャルキャラクターの音声を生成することができ、ゲームやアニメなどの分野に適しています。