k_inoue/ Katsuki Inoue

博士（統合科学）。研究分野：テキスト音声合成，感情音声合成。トビタテ10期　未来テクノロジー枠。

[YAMATO OHTANI @YamatoOHTANI]

本日，弊研究所で開発しました声質制御が可能なニューラルボコーダFIRNetの公式学習済みモデルとサンプルコードを公開しました．
下記から利用可能です．
ぜひお試しください．

🔗 Hugging Face: https://t.co/9wRGeanrGy
📄 IEEE TASLP paper: https://t.co/oYsx5eQB6J

[株式会社MIXI @mixi_PR]

モンストの「ガブリエル」が、MIXIのニュースをお届け📢✨

これからMIXIから生まれるさまざまなニュースを、
“祝福のお知らせ”としてガブリエルがご紹介。
実は、その声はAIで生成されています🤖✨
「MIXIニュースリリース by AIガブリエル」
これからどんな“祝福のお知らせ”が届くのか、お楽しみに！

[k_inoue/ Katsuki Inoue @tts_ki]

@4wavetech 励起信号の作成時の振幅パラメータとして、目標波形の包絡線から得た値を入れると、声量もコントロールできそうですね

[ファミ通.com @famitsu]

『ライザのアトリエ』のフリーシナリオ型AIチャットRPGが8月に配信。ライザとの会話で物語が展開する、自分だけのひと夏の夢物語
https://t.co/KnkIglfQVO

アセットはすべて人の手で作成、原作の全シナリオと設定を学習。ライザ役・のぐちゆりさんが本作をプレイする動画がファミ通TUBEで公開。

[shinshin86｜AITuber OnAir開発者｜AIキャラのミコをバズらせたい人 @shinshin86]

日本語の文章に、文脈を見て「正しい読み」を当ててくれるOSS、ja-furiganaを動かしてみました。TTSの読み間違い対策に効きそうです。

「一日署長」をいちにちしょちょう、「明日」をあしたと読み分けてくれる。HTTPサーバーもあるので、Claude CodeやCodexからPOSTすれば正規化済みの読みがJSONで返ります。

面白いのがaccentモード。「今日（きょう/こんにち）」のような曖昧な語に、候補と重みを付けて返してくれる。読みの判断をAIに委ねられます。

ただ「辛いラーメン」を"つらい"と読むなど外す語もあって、そこは前にやったAivisSpeechの辞書登録自動化で補完（引用参照）。大半をja-furigana、残りを辞書で、の二段構えが良さそうです👀

開発者様のブログページもありましたので紹介させていただきます。ちなみにja-furiganaの最新verは0.1.4
https://t.co/eLjLDAFP3y

[Heiga Zen (全 炳河) @heiga_zen]

【Gemini 3.1 Flash TTSのリリースと音声タグ機能の導入】

Gemini 3.1 Flash TTSがリリースされました。新機能の「音声タグ」により、テキスト内に自然言語のコマンドを埋め込むだけで、音声の声色やテンポ、話し方を細かくコントロールできるようになりました。表現力豊かな音声生成の可能性がさらに広がります 🗣️

本モデルの開発には、Google DeepMindの東京チームのメンバーも大きく貢献しています。私自身もかつて音声合成の研究開発に携わっていたため、この進化には強い思い入れがあります。

このモデルはGoogle AI Studio・Google VidsやVertex AIなど様々なプロダクトで利用できます。クリエイターの皆さんがこの新しい表現力をどのように活かしていくのか、今からとても楽しみです 🌟

https://t.co/9nQxdWym7y

https://t.co/ov8qVnR8Jg

[Qwen @Alibaba_Qwen]

Qwen3-ASR and Qwen3-ForcedAligner are now open source — production-ready speech models designed for messy, real-world audio, with competitive performance and strong robustness.
● 52 languages & dialects with auto language ID (30 languages + 22 dialects/accents)
● Robust in noisy and complex settings (yes, singing and songs too)
● Long audio support: up to 20 minutes per pass
● Word/phrase-level timestamps:  high-precision alignment for 11 languages via Qwen3-ForcedAligner, stronger than MFA/CTC/CIF-style aligners
Also included: a full open-source inference & finetuning stack with vLLM batch, streaming, and async serving.
GitHub:  https://t.co/yxxUTTIjLr
Hugging Face: https://t.co/38fny0K2Qz
ModelScope: https://t.co/0fAIFksAwv
Hugging Face Demo:  https://t.co/GbLHOn7hdD
ModelScope Demo: https://t.co/Jvb2kfnHr5
Blog:  https://t.co/yP6VbGc7bg
Paper:  https://t.co/zzlFgwcP1E

[AI at Meta @AIatMeta]

🔉 Introducing SAM Audio, the first unified model that isolates any sound from complex audio mixtures using text, visual, or span prompts.

We’re sharing SAM Audio with the community, along with a perception encoder model, benchmarks and research papers, to empower others to explore new forms of expression and build applications that were previously out of reach.

🔗 Learn more: https://t.co/FPnfv66UCP

[バンダイナムコ研究所 @bnken8765]

バンダイナムコ研究所は、2025年度キャリア採用を開始しました。
こちらのサイトにて募集しています。
ぜひご覧ください。
https://t.co/gpCfwpbX5p

[抹茶もなか @GianMattya]

nanobanana proもベタ塗りできてるように見えて、解析かけてみると全然ベタ塗りじゃない（すごく近い色だけどRGB値が微妙に異なってる）んだよな
これが解決されないと一生正確なマスク画像が作れなくてレイヤー分け処理が上手くいかない
（近似色の統合処理を挟むとどうしても精度劣化する）

[日本俳優連合（JAU / 日俳連）公式 @JAU_Official]

【お知らせ】
日俳連は、AI音声生成プラットフォーム『にじボイス』に対し、33件のキャラクターボイスが組合員の声に酷似している件について問い合わせを行いました。

その結果、音声を取り下げていただけるとの回答を得られたことをご報告いたします。

#NOMORE無断生成AI
#日俳連

[oryzae @nonshu]

昔、博士論文公聴会に臨む学生さんに
「審査員が重視するのは研究の凄さではなく、博士の資質としての『科学に対する誠実さ』だから、誤魔化したり取り繕ったりするのはむしろ逆効果」
という話をした。

今更ながら、ここをjudgeされているということが博士の大きな価値だと実感している。

[Google Japan @googlejapan]

Welcome to Japan！🇯🇵

#Gemini を使うと、テキストから
こんな映像と音を一瞬で
生成できちゃいます🍵

ぜひ作って遊んでみてください！

#まいにちGemini
#Veo3

[H. E. @henomoto1025]

日本語TTS用データセットの音素ラベルの質を上げるために弊社で取り組んでいた「ふりがなWhisper」についての記事を公開しました！
モデルも公開しているので、ぜひお試しください🤗

日本語TTS用の学習データの精度を上げる「ふりがなWhisper」を作った話｜H. Enomoto https://t.co/qI2wZh1bqs #zenn

[SUNTORY（サントリー） @suntory]

すべての音を「山寺宏一」の声で再現した
アニメをつくってみた。
#からだを想うオールフリー

[オリコンニュース【アニメ】 @oricon_anime_]

山寺宏一、前代未聞"すべての擬音"を担当
「声優やっていて一番難しかった」
.
🎥まさに神業…某作品・伝説の最終話状態
ラーメンの具の音、環境音まで全26役
https://t.co/KttKri0Cwf
.
🎙キャスト
SNS更新音　：山寺宏一
冷蔵庫　　　：山寺宏一
麵　　　　　：山寺宏一
ネギ　　　　：山寺宏一
フクロウ　　：山寺宏一
コオロギ　　：山寺宏一
時計　　　　：山寺宏一
環境音　　　：山寺宏一
おなかの音　：山寺宏一
のど　　　　：山寺宏一
椅子　　　　：山寺宏一
机　　　　　：山寺宏一
袋麺　　　　：山寺宏一
鍋　　　　　：山寺宏一
ガスコンロ　：山寺宏一
まな板　　　：山寺宏一
のり　　　　：山寺宏一
チャーシュー：山寺宏一
缶　　　　　：山寺宏一
唇　　　　　：山寺宏一
息　　　　　：山寺宏一
ラーメン　　：山寺宏一
バイク　　　：山寺宏一
車　　　　　：山寺宏一
ナレーション：山寺宏一
.
#深夜ラーメンの誘惑 #サントリー

[Heiga Zen (全 炳河) @heiga_zen]

Again very happy to see launches powered by Gemini Native Audio Output capabilities, where Google DeepMind team members in Tokyo🗼 made significant contributions!

Text-to-Speech: https://t.co/mGqMFJ5Ejq
Dialog: https://t.co/xdjV1EPR1V

[井上しょー(Sho Inoue) @SSRInoue]

Our paper has been accepted to #INTERSPEECH2025! We propose an automatic pipeline to predict conversation personalities from fully-duplex speech dialogs.
Hope to see you in the Netherlands, Hoi 🇳🇱

Project Page: https://t.co/Jai0psWFjP
Paper: https://t.co/vjL5PEfhyw

[Akira Utsugi-Park @utsakr]

ということで，今日作ったページ。「母音連続とヤ行音の分析」。Praatを使った音響分析。

音声を記号的な側面からのみ分析していると意識が向きにくいけれど，発話中の連続する単音と単音の間には必ず遷移区間がある。

https://t.co/KWvSnBpoCB

[毎日新聞映像グループ @eizo_desk]

台湾北東部の寒渓など４村では、日本語と先住民タイヤル族の言語が混ざって形成された新言語「宜蘭クレオール」が中高年を中心に話され、現地では「ニホンゴ」などと呼ばれています。村人たちの会話を撮影しました。（賢）フルバージョンは→https://t.co/gWPg5lDeHz