OllamaのMacアプリ、音声合成モデル「Phonon」に対応

AIモデルをローカルで実行できるアプリ「Ollama」が、Macアプリでテキスト読み上げ（音声合成）機能に対応したと発表しました。WindowsとLinuxへの対応も近日中に行う予定です。

ポイント

Ollamaは、オープンソースのAIモデルをMac上でダウンロードして実行できるプラットフォームです。より強力なモデルをクラウド経由で利用することもできます。WindowsとLinuxにも対応しています。

Ollama自体はオープンソースで、GitHub上で最も人気のあるAIプロジェクトの一つとなっています。スター数は約18万5000、フォーク数は約1万8600に達しています。

macOSでは、OllamaはAppleのMLXを使用しています。MLXはオープンソースの機械学習フレームワークで、Apple Siliconのユニファイドメモリ構造を活用します。これにより、対応するAIモデルをより高速かつ効率的に実行できます。

Ollamaが今回サポートしたのは、Gradiumが開発した音声合成モデル群「Phonon」です。Ollamaが音声生成に対応するのは初めてとなります。

音声はリアルタイムで生成されるため、ユーザーはAIの応答が生成される途中でも音声を聞くことができます。応答全体が完成するのを待つ必要はありません。

Ollamaは次のように説明しています。

「Ollamaはテキストを音声に変換できるようになりました。最初の音声モデルはPhononです。これはGradiumが開発した小型で最先端の音声合成モデル群です。音声モデルはmacOSで利用可能になり、WindowsとLinuxへの対応は近日中に提供されます」

Ollamaによると、AppleのMLXフレームワークにより、M5 Max搭載のMacBook Proでのテストで、Gradium自身の実装よりも35%高速な音声生成を実現しました。また、Hugging Face Transformersの参照実装と同等の単語誤り率を達成したとしています。

Phononは5言語（英語、フランス語、ドイツ語、スペイン語、ポルトガル語）に対応しています。言語ごとに個別のモデルがあり、5言語すべてをサポートする多言語モデルも用意されています。

モデルによっては、アメリカ英語やイギリス英語など、異なるアクセントの声を選ぶこともできます。

新しい音声モデルは、Ollama 0.40.11以降を実行しているApple Silicon搭載Macで利用できます。Ollamaを通じてPhononを直接ダウンロードすることで利用を開始できます。

音声サンプルの試聴や、APIを通じたモデルの使用方法やコード例については、Ollamaの公式情報を参照してください。