IT之家 10月27日の報道、ローカルでAIモデルを実行するオープンソースプラットフォームOllamaは10月24日、Macアプリがテキスト音声変換（TTS）生成を正式にサポートすると発表した。Windows版とLinux版もその後続く予定。
テックメディア9to5Macは、これはOllamaが初めて音声生成機能を追加したものであり、ローカルAIを「読み書きできる」状態からさらに「話せる」段階へ進めたと見ている。
最初にサポートされた音声モデルはGradiumが開発したPhononシリーズ。このモデルは小型で技術指標も先進的であり、ユーザーはクラウドサービスに依存せず、Ollamaから直接ダウンロードしてApple Silicon Mac上で実行でき、プライバシーを重視しオフライン利用が必要なシーンにより適している。
macOS上では、OllamaはAppleのオープンソース機械学習フレームワークMLXを採用し、Apple Siliconのユニファイドメモリアーキテクチャを活かして実行効率を高めている。
公式テストによると、M5 Maxチップ搭載のMacBook Pro上で、PhononはHugging Face Transformersのリファレンス実装と同等の単語誤り率を維持したうえで、音声生成速度はGradium自身の実装より35%速かった。
新機能はリアルタイム音声生成にも対応しており、ユーザーはAIがテキストを完全に出力するのを待つ必要がなく、回答の生成中に音声を同時に聞くことができ、対話体験がより自然な会話に近いものとなる。
IT之家がブログ記事を引用して紹介したところによると、Phononは現在、英語、フランス語、ドイツ語、スペイン語、ポルトガル語の5言語それぞれの個別モデルを提供しており、5言語すべてに対応する多言語モデルも用意されている。また、ユーザー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音色を選ぶこともできる。
OllamaはGitHub上で広く人気のあるAIオープンソースプロジェクトの一つで、約18.5万個のStarと約1.86万個のForkを有しており、ユーザーはオープンAIモデルをローカルでダウンロード・実行できるほか、必要に応じてクラウド上のより強力なモデルに接続することもできる。