日英中の3か国語で話せる音声合成モデル「AI Maid K2-3481」、学習データごと公開
うえぞう(@uezochan)が、AivisSpeechとStyle-Bert-VITS2で使える音声合成モデル「AI Maid K2-3481 Multilingual」を公開しました。日本語・英語・中国語に対応し、学習にはIrodori-TTSとQwen3-TTSで作った合成音声を使っています。モデルと一緒に学習データセットもHugging Faceで公開されています。

作り方
作者が返信で手順を書いています。まず参照用の音声を大量に生成し、声の高さや声質で絞り込んで1つを選びます。その声でIrodori-TTSとQwen3-TTSに5,000文ほど読み上げさせ、日本語は全部聞いて読みやアクセントを直しました。
そこから500エポック(467,500ステップ)学習し、20文ほど読ませて良かったモデルを5つ選び、重みを平均して仕上げたそうです。
デモ動画
動画ではメイド姿のキャラクターが日本語・英語・中国語で順に話します。Hugging Faceによると、動画内の声はすべてこのモデルで合成したもので、音楽と効果音はコードで生成したものです。
