Generatived（Beta）｜生成AIの最新ニュースとトレンドを提供

Azure AIは、新機能であるテキスト読み上げアバターのパブリックプレビューを公開した。この革新的なツールを使用すると、ユーザーはテキスト入力を使用してトーキング アバタービデオを作成したり、人間の画像を使用してリアルタイムのインタラクティブ ボットを開発したりできる。text to speech avatarシステムは、ビジョン機能を備えたテキスト読み上げ機能であり、顧客は2Dの写真のようにリアルなアバターが話す合成ビデオを作成できる。アバターモデルは、人間のビデオ録画サンプルに基づいてdeep neural networksによってトレーニングされ、アバターの音声はテキスト読み上げ音声モデルによって提供されるという。

アバターの作成には2つの主な目的がある。まず、従来の動画コンテンツの制作には、動画撮影環境の整備、動画の撮影、編集など、多大な時間と予算が必要だった。テキスト読み上げアバターを使用すると、ユーザーはテキストを入力するだけで、トレーニングビデオ、製品紹介、顧客の声などのビデオ コンテンツをより効率的に作成できる。次に、Azure OpenAI Serviceとneural text to speechのリリースにより、インタラクティブな会話が以前よりも自然になった。text to speech avatarを使用すると、ユーザーはより魅力的なデジタル インタラクションを作成し、会話エージェント、仮想アシスタント、チャットボットなどを構築できるという。

アバターコンテンツ生成ワークフローは、text analyzer、TTS audio synthesizer、TTS avatar video synthesizerの3つのコンポーネントで構成される。アバタービデオを生成するには、まずテキスト アナライザーにテキストが入力され、音素シーケンスの形式で出力が提供される。次に、TTS audio synthesizerが入力テキストの音響特徴を予測し、音声を合成する。これら2つの部分は、テキスト読み上げ音声モデルによって提供される。次に、Neural text to speech Avatar モデルが音響特徴を使って口パクの画像を予測し、合成ビデオを生成するとのこと。

Azure AIは現時点で、事前に構築されたtext to speech avatar とcustom text to speech avatarという2つの個別のテキスト読み上げアバター機能を提供している。事前に構築されたアバターは、テキスト入力に基づいてさまざまな言語や声を話すことができる。顧客はさまざまなオプションからアバターを選択し、それを使用してビデオコンテンツや、リアルタイムのアバター応答を備えたインタラクティブ アプリケーションを作成できる。custom text to speech avatar機能を使用すると、顧客は自社の製品またはブランド用にパーソナライズされたアバターを作成できる。顧客はアバター タレントの独自のビデオ録画をアップロードでき、この機能はそれを使用してカスタムアバターが話す合成ビデオをトレーニングするとのことだ。ソース：