Audiobox

1. 機能: Meta FAIRが公開した研究モデルで、テキスト読み上げ、テキストからの効果音生成、声のクローン、音楽生成を、自然言語プロンプトと音声入力を統合したアーキテクチャで実現します。 2. 実用性と障壁: HuggingFace上のオンラインデモや、rowancheung氏によるチュートリアル、MITハッカソン受賞短編『Outlandish Village』での使用例があります。デモはコーディング不要ですが、自前でのホスティングには技術知識が必要です。 3. 向き・不向き: 音声プロトタイプを素早く作りたいコンテンツクリエイター、ゲーム開発者、研究者に適しており、商業グレードの安定出力や高負荷生産を求める用途には向いていません。 4. エビデンスの質と注意点: Meta公式ツイート（高エンゲージメント）、チュートリアル、実用例があり、注目度の高さと実践的検証を示しますが、独立した長期的存続性やコミュニティ開発の深さは未確認です。商用TTS（Google Cloud TTSなど）と誤解せず、音声入力と効果音生成を加えたAudioLDMのようなオープンソース音声生成ツールに近いものと捉えてください。料金は公式デモが無料（公式情報）、自己ホスティング時には計算コストが発生し得ます。