Kakaoは8月4日、独自開発のオムニAIモデル「Kanana-o」の音声生成機能を強化したと発表した。自然言語による指示だけで話し方や感情、抑揚を反映できるようにしたほか、独自の音声トークナイザーを採用し、生成速度と処理効率も高めた。

同日公開のテックブログによると、ユーザーが自然言語で話し方を指示すると、AIが速度、音量、音高、感情、抑揚、強度を反映した音声を生成する。

単純なテキスト読み上げにとどまらず、「速く悲しい声で読んで」「スポーツ中継のように」といった複合的な指示や、役割設定に基づく指示にも対応する。学習には主に韓国語データを用いているが、英語の音声生成でも同様の指示を反映できるとしている。

Kanana-oは、発話指示への追従性能を評価する「InstructTTSEval」の韓国語ベンチマークで94.50点を記録した。Kakaoによると、OpenAIの「GPT-4o-mini-tts」（91.10点）を上回り、Googleの「Gemini-2.5-Flash-Preview-tts」（95.38点）とほぼ同水準だった。

同社は、音声生成の速度と効率を高めるため、独自開発の音声トークナイザー「LM-SPT」を新たに適用した。AIが処理するデータ量を削減し、音声を少ないトークン数で圧縮・表現する技術だという。

Kakaoによると、LM-SPTはMimi、DualCodec、CosyVoice2など海外の最新モデルと比べて、より良好な指標を示した。今後は、音声の理解と生成を統合した構造の研究を進めるほか、笑い声、ため息、感嘆といった非言語表現の生成技術も追加開発する方針だ。

Kakaoの統合基盤モデル部門のノ・ビョンソク氏は、「今回のKanana-oの音声技術強化は、人のように自然な音声を生成するだけでなく、ユーザーが望む話し方や感情、抑揚まで自然言語の指示に沿って表現できるようにすることに重点を置いた」と説明した。その上で「今後はKanana-oをさまざまなサービスに適用し、より自然で便利なAI音声体験を提供していく」と述べた。