このほど、ローカルで大規模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、Macアプリの大型アップデートを正式に発表し、初めてテキスト読み上げ（テキストtoスピーチ）機能を搭載しました。このアップグレードにより、ローカルAIアシスタントは従来の「読み書きができる」段階から「自ら話す」インタラクション段階へと大きく進むことになり、Windows版およびLinux版も後続対応予定です。
基盤技術とプライバシー保護の面では、最初にサポートされた音声モデルはGradiumが開発したPhononシリーズです。このモデルは小型でありながら先進的な技術指標を備えており、ユーザーはいかなるクラウドサービスにも依存せず、Ollamaから直接ダウンロードしてApple Siliconチップ搭載のMacデバイス上で実行でき、データプライバシーとオフライン利用を重視する実際のユースケースに非常に適しています。macOSシステムを基盤として、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のハードウェア的優位性を最大限に活かして実行効率を大幅に向上させています。
公式のテストデータによれば、M5Maxチップ搭載のMacBook ProでPhononを実行した場合、音声生成速度はGradium自身の実装より35%速く、Hugging Face Transformersのリファレンス実装と同等の極めて低い語エラー率を維持しています。さらに、この機能はリアルタイム音声生成に対応しており、ユーザーはAIがテキスト全体を出力し終えるのを待つことなく、回答が生成される過程で同時に対応する音声を聞くことができ、より自然で滑らかな人間らしい対話体験を実現します。
具体的な音色と言語サポートについて、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言語に対応した個別モデルを網羅し、5言語すべてに対応する多言語汎用モデルも備えており、ユーザーは好みに応じて米式や英式など異なるアクセントを自由に選択できます。GitHubで人気のオープンソースプロジェクトとして、Ollamaは現在約18.5万個のStarと約1.86万個のForkを獲得しており、開発者や一般ユーザーに便利で安全なローカル大規模モデル実行ソリューションを提供し続けています。