1. チュートリアルの概要

Kyutai TTS 1.6B (en-fr) は、Kyutaiチームによって2024年10月15日にリリースされた大規模な英仏バイリンガル音声モデルです。ストリーミングTTSベンチマークにおいて、このモデルは従来のオフラインTTSと比較して、「長文のリアルタイム出力」と「バイリンガル韻律の自然さ」のカテゴリーでそれぞれ75%と42%の性能向上を達成しました。また、Moshi BenchmarkやAudio-Language Alignment DatasetといったTTSベンチマークにおいても、最先端の性能を達成しました。さらに、このモデルは、入出力ストリーミング生成、英語とフランス語のゼロショット切り替え、事前計算された埋め込みに基づく音声選択、動的に調整された音声トークン数による高速推論など、従来のシステムでは稀にしか見られなかった機能を備えています。関連論文もご覧いただけます。 遅延ストリームモデリングによるストリーミングシーケンスツーシーケンス学習。

このチュートリアルでは、RTX 4090 グラフィックカードを1枚使用します。英語とフランス語のみサポートされています。

2. プロジェクト例

標準TTS

ストリーミングTTS

3. 操作手順

1. コンテナを起動した後、API アドレスをクリックして Web インターフェイスに入ります

2. 使用手順

「Bad Gateway」と表示される場合は、モデルが初期化中です。2～3分ほどお待ちいただき、ページを更新してください。Safariブラウザをご利用の場合、音声が直接再生されない場合がありますので、事前にダウンロードしてください。

引用情報

@techreport{kyutai2025streaming,
      title={Streaming Sequence-to-Sequence Learning with Delayed Streams Modeling}, 
      author={Neil Zeghidour and Eugene Kharitonov and Manu Orsini and Václav Volhejn and Gabriel de Marmiesse and Edouard Grave and Patrick Pérez and Laurent Mazaré and Alexandre Défossez},
      year={2025},
      eprint={2509.08753},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/2509.08753}, 
}