Kakao于4日宣布，已升级自研全模态人工智能（AI）模型“Kanana-o”的语音生成功能。
Kakao当天在技术博客中表示，用户只需用自然语言下达语音风格指令，AI便可在生成语音时对语速、音量、音高、情绪、语调和强弱等要素进行控制。
除普通文本朗读外，该模型还能理解并执行更复杂的指令，例如“用快速而悲伤的声音读出来”或“像体育解说一样播报”，也支持基于角色设定的表达方式。Kakao称，Kanana-o虽主要基于韩语数据训练，但在英语语音生成任务中同样能够遵循相同的发声指令。
在用于评估语音指令执行能力的韩语基准测试“InstructTTSEval”中，Kanana-o获得94.50分，高于OpenAI的“GPT-4o-mini-tts”（91.10分），与Google的“Gemini-2.5-Flash-Preview-tts”（95.38分）表现接近。
为提升语音生成速度与效率，Kakao此次还引入了自研语音分词器“LM-SPT”。该技术可减少AI处理的数据量，并以更少的token表示语音信息，从而提高生成速度和整体效率。
Kakao表示，与Mimi、DualCodec、CozyVoice2等采用国际最新技术路线的模型相比，LM-SPT在多项指标上表现更优。公司还计划继续推进语音理解与语音生成统一架构的相关研究，并进一步开发生成笑声、叹息、感叹等非语言表达的技术。
Kakao Unified Foundation Model成果负责人Byeongseok Noh表示，此次Kanana-o语音技术升级的重点在于提升“像人一样自然”的生成能力，同时增强模型按自然语言指令表达用户所需语气、情绪和语调的能力。未来，Kakao将把Kanana-o应用于更多服务场景，提供更自然、更便捷的AI语音体验。
Ho-jung Lee
lhj@d-today.co.kr