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 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。