アプリに最適な音声を選べる新ツール「Voice Finder」の紹介：600 以上の音声から迅速に選択可能
Together AI は、600 以上の音声モデルを対象にプロンプトや音声サンプルから検索・比較できる「Voice Finder」ツールを公開し、開発者が用途に最適な音声を迅速に見つけるプロセスを大幅に短縮した。
キーポイント
多様な音声モデルの統合検索機能
MiniMax, Cartesia, Deepgram, Rime など Together AI 上の 10 以上の TTS モデルから、600 以上の音声を横断して検索・フィルタリングできる。
AI による構造化メタデータとインテリジェント検索
オムニモデルが各音声のピッチ、感情、アクセントなど 15 以上の属性を分析し、自然言語での検索や音声サンプルからの類似検索を実現している。
Voice Agent 開発における用途適合性の向上
医療、金融、エンタメなど特定のユースケースに最適な音声を即座に見つけることで、開発者が手動で試行錯誤する時間を削減し、製品への適合性を高める。
重要な引用
"Choosing the right voice for a voice agent is still too manual."
"Voice finder gives developers a faster way to search the Together AI voice catalog."
"Behind the ranking layer, an omni-model has listened to every voice and generated structured metadata across 15+ dimensions"
影響分析・編集コメントを表示
影響分析
このツールは、TTS（音声合成）技術の普及において最大のボトルネックであった「適切な音声を特定・選定するコスト」を解消する画期的な進歩です。特に Voice Agent の開発現場では、製品や顧客層に合わせた声の選定が品質を左右するため、本ツールの導入により開発サイクルが短縮され、より高品質で文脈に適した音声体験の実装が加速すると予想されます。
編集コメント
音声 AI の実用化において、技術的な性能だけでなく「どの声を使うか」という選定プロセスの効率化は極めて重要です。Together AI が提供するこのツールは、開発者の工数を大幅に削減し、Voice Agent の品質向上に直結する実用的なソリューションと言えます。
Together AI から、主要な TTS（Text-to-Speech）モデル間で音声を検索、フィルタリング、試聴するための新ツールが登場しました。
概要
- Voice finder: Together AI を通じて利用可能な MiniMax、Cartesia、Deepgram、Rime などを含む 600 以上の声を検索できます。
- プロンプトまたは音声による検索: 必要な声の説明を入力するか、短い音声サンプルをアップロードして、再生可能な推奨結果と共に類似する声を見つけます。
- モデル対応メタデータ: 各音声には、ピッチ（音程）、アクセント、言語、年齢、感情、話し方など 15 以上の属性タグが付与されています。
ボイスエージェントに最適な声を選ぶ作業は、依然として手動で行う必要があり時間がかかります。プロバイダーのカタログには数十から数百もの声が掲載されており、ドキュメントでは金融サポート担当者向け、瞑想ガイド向け、ゲーム番組司会者向けなど、どの声が適しているかを示す情報はほとんどありません。
Voice finder は、Together AI の音声カタログをより迅速に検索できる開発者向けのツールです。構築中のプロジェクトの内容を入力するか、思い描く声の短い音声サンプルをアップロードするだけで、ランク付けされた推奨結果を比較し、その場で聴きながら、ユースケースにとって重要な属性でフィルタリングできます。
仕組み
Voice finder は、Together AI 上の 10 の TTS モデルにわたる 600 以上の声をインデックス化しています。各音声は、このツール内で直接再生可能です。
ランキング層の背後では、オムニモデルがすべての声を聴き取り、ピッチ、性別、アクセント、言語、年齢、感情、話し方など 15 以上の次元にわたって構造化されたメタデータを生成しています。このメタデータが、自然言語による検索と手動フィルタリングの両方を支えています。
いくつかの検索例:
- "瞑想アプリ用の落ち着いた女性の声"
- "フィンテックサポートエージェント用の自信に満ちた声"
- "ゲームショー用のエネルギッシュなホスト"
- "カスタマーサービス用の温かみのあるバイリンガル音声"
目標はシンプルです。ユースケースから、開発を続けられるほど迅速に、候補となる声を短リスト化することです。
なぜこれがボイスエージェントにとって重要なのか
ボイスエージェントはモデルの品質だけでなく、声の適合性にも依存します。その声が製品、顧客、そしてその瞬間に合っている必要があります。医療機関での受付担当のエージェント、レストランでの注文対応のエージェント、エンターテインメント用のコンパニオンは、互いに交換可能であるべきではありません。
Together AI は、STT（音声認識）、LLM（大規模言語モデル）、TTS（テキスト読み上げ）にわたるリアルタイムボイスエージェントの構築をチームが単一プラットフォームで実現できるようにします。フルパイプラインは 1 つのクラウド上で共配置され、エンドツーエンドのレイテンシを 500 ミリ秒未満に抑え、リアルタイムでのターンテイク（会話のやり取り）に十分な速度を実現しています。Voice Finder は、開発者がそのスタック全体で利用可能な声をより迅速に探索できる手段を提供することで、モデル選択のステップを容易にします。
原文を表示
A new tool from Together AI for searching, filtering, and auditioning voices across leading TTS models.
Summary
- Voice finder: Search 600+ voices across MiniMax, Cartesia, Deepgram, Rime, and other models available through Together AI.
- Search by prompt or audio: Describe the voice you need, or upload a short voice sample to find similar voices with playable recommendations.
- Model-aware metadata: Each voice is tagged across 15+ attributes, including pitch, accent, language, age, emotion, and speaking style.
Choosing the right voice for a voice agent is still too manual. Provider catalogs can include dozens or hundreds of voices, and the documentation rarely tells you which one fits a fintech support agent, a meditation guide, or a game show host.
Voice finder gives developers a faster way to search the Together AI voice catalog. Type in what you are building or upload a short audio sample of the voice you have in mind, then compare ranked recommendations, listen inline, and filter by the attributes that matter for your use case.
How it works
Voice finder indexes 600+ voices across 10 TTS models on Together AI. Each voice is playable directly in the tool.
Behind the ranking layer, an omni-model has listened to every voice and generated structured metadata across 15+ dimensions, including pitch, gender, accent, language, age, emotion, and speaking style. That metadata powers both natural-language search and manual filtering.
A few example searches:
- “a calm female voice for a meditation app”
- “a confident voice for a fintech support agent”
- “an energetic host for a game show”
- “a warm bilingual voice for customer service”
The goal is simple: get from a use case to a short list of voices quickly enough to keep building.
Why this matters for voice agents
Voice agents depend on more than model quality. The voice has to fit the product, the customer, and the moment. A healthcare intake agent, a restaurant ordering agent, and an entertainment companion should not sound interchangeable.
Together AI gives teams a single platform for building real-time voice agents across STT, LLM, and TTS. The full pipeline runs co-located on one cloud, holding end-to-end latency under 500ms, fast enough for real-time turn-taking. Voice Finder makes the model-selection step easier by giving developers a faster way to explore the voices available across that stack.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み