高品質AI音声合成プラットフォーム
SakuraSpeechは、テキストを自然な音声に変換する高度なAI音声合成プラットフォームです。プロ品質のナレーション作成を目指すコンテンツクリエイター、開発者、企業に最適なソリューションを提供します。

SakuraSpeechの特徴と強み

・2種類のモデルを用意 – 中規模Standardモデル、超軽量Liteモデルから用途に合わせて選択可能
・日本語に特化 – 文脈によって読みが変わるなど、複雑な日本語の特性を深く学習
例：辛い(辛いラーメンを食べた/辛い人生だった) 方(あちらの方は田中さんです/こっちの方が良いと思います)
・細かな調整機能 – 単語レベルの読み登録、ピッチ・スピードの微調整が可能
・ボイスクローン – 参照音声から瞬時にそっくりな声・口調で別の文を生成可能（Standardモデル）

Standardモデル

中規模の複数話者対応モデルで、精度と調整機能のバランスに優れています。参照音声から声質styleと感情styleのベクトルを個別で取得し、任意の文をstyleに沿った声質・口調で合成できます。

主な特徴

• 声質style・感情styleを個別に取得・適用可能
• 単語レベルの読み登録に対応
• ピッチ・スピードの微調整が可能
• styleを元にした口調調整に対応
• GPU（RTX3090）でリアルタイムレート約0.05の高速処理

他の大規模生成系モデルとの違い

他の大規模な生成系モデルでは、精度が良くても細かな調整ができず、ピッチや発音が求めている音にならないケースがあります。sakuraspeechなら、これらの細かな調整が可能なため、より意図した通りの音声を生成できます。

技術的特徴

• Transformerベースで複雑な文脈をアテンションで捉える
• GANによる学習で自然な発話を実現
• End-to-End学習により中間表現を必要とせず高精度を実現

Liteモデル

1人の話者に特化した超軽量モデルです。リソースが限られた環境でも高品質な音声合成を実現します。

主な特徴

• 超高速かつ軽量な実行環境
• GPU（RTX3090）でリアルタイムレート約0.01を達成
• CPUでも十分に実行可能
• 読みの登録、ピッチ・スピードの微調整に対応

技術的特徴

• Standard/Liteモデル共通のTransformerベースアーキテクチャ
• GANを用いた学習で曖昧な音声の質感や口調の自然さを判定
• End-to-End学習で効率的に高精度を実現

モデル比較

項目	Standardモデル	Liteモデル
規模	中規模	超軽量
話者	複数話者対応	1人特化
RTR (GPU)	約0.05	約0.01
読み登録	○	○
ピッチ調整	○	○
スピード調整	○	○
ボイスクローン	○（style）	×

※RTR: リアルタイムレート（RTX3090使用時）。合成音声1秒あたりの処理時間を示します。例：RTR 0.05の場合、10秒の音声を約0.5秒で生成可能。

SakuraSpeechは、日本語音声合成に特化した高品質なAIプラットフォームです。
用途や環境に応じて3種類のモデルから最適なものを選択でき、細かな調整機能によりプロフェッショナルな音声コンテンツの制作を支援します。
自然な音声生成を重視する場合はDeepモデル、調整機能と速度のバランスを求める場合はStandardモデル、軽量・高速な実行が必要な場合はLiteモデルをお選びください。