Ollamaの音声モデル
Ollamaが音声合成に対応し、最初のモデルとしてGradiumのPhononが提供されます。現時点ではmacOSのみで、WindowsとLinuxは今後対応予定です。OpenAI互換の/v1/audio/speechエンドポイントで利用でき、Ollama 0.40.11以降が必要です。
記事の内容
2026年10月24日付の記事によると、Ollama がテキスト読み上げに対応しました。最初の音声モデルは Gradium の小型 TTS モデル群「Phonon」です。現時点では Apple Silicon の Mac で動作し、Windows と Linux は予定されていますが未提供です。Ollama 0.40.11 以降が必要で、ollama pull phonon で取得します。
Ollama は Apple の MLX フレームワークを使い、M5 Max 搭載の MacBook Pro で Gradium 自身のランタイムより35%高速で、単語誤り率は参照実装と同等だとしています。英語モデルは Apache 2.0、40M モデル(フランス語・ドイツ語・スペイン語・ポルトガル語・多言語)は CC BY-NC 4.0 で、非商用に限られます。Phonon は OpenAI 互換の /v1/audio/speech エンドポイントで動作し、24kHz モノラル音声をストリーミングします。
この要約は、Ollama の公式ページをもとに AnnuIA が自分の言葉で作成しました。内容および権利は発行元に帰属します。元の記事をご覧ください。