日本語対応の音声クローンAI「ZONOS2」が登場、トランプ大統領の声でエヴァンゲリオンについて語らせるデモもあり

2026年06月15日 13時03分 AI

AI開発企業のZyphraが音声合成AI「ZONOS2」を2026年6月12日に発表しました。ZONOS2は人物の声や録音状況を再現しつつ任意のセリフをリアルタイム合成することが可能。日本語にも対応しており、オープンモデルとして公開されています。

ZONOS2: Real-time TTS with High-Fidelity Voice Cloning

ZONOS2は人物の音声を再現して任意の文章を読み上げさせる「音声クーロン」が可能な音声合成AIモデルです。総パラメーター数80億、アクティブパラメーター数9億のMoEモデルとして設計されており、旧世代モデルのZonos-v0.1と比べてモデルの規模を大型化しつつ、リアルタイムスループットを4倍に向上させることに成功しています。 ZONOS-v0.1 Betaは合計約60万時間の音声データセットでトレーニングされていましたが、ZONOS2のデータセットは合計200万時間以上に増加しました。これにより、幅広い「言語」「録音条件」「テキスト領域」に対応し、ノイズや非定型的な発話パターンに対する耐性も向上しています。さらに、テキスト入力をUTF-8の生データとして扱うことで日本語・中国語・韓国語といった非ヨーロッパ言語での性能が大幅に向上しています。 ZONOS2の対応言語は以下のとおり。日本語は英語や中国語と並んでティア1言語として位置付けられています。

音声合成モデルのベンチマークは機械的な評価によって「音声認識モデル(文字起こしモデル)で認識しやすいクリアな音声」が高く評価されがちです。このため、ベンチマークスコアと人間の聴覚での評価が一致しないことがあります。ZONOS2はベンチマーク上のスコアよりも人間にとって自然な音声を重視して設計されています。具体的には、参考音声に含まれる「背景ノイズ」「不自然な声」「その他の歪み」などの再現を重視しているとのこと。

ZyphraはZONOS2の生成例として「ドナルド・トランプ大統領の声で碇シンジや碇ゲンドウについて語らせる」というデモ音声を公開しています。

リアルタイム音声合成AI「ZONOS2」でドナルド・トランプ大統領に碇シンジや碇ゲンドウについて語らせる例 - YouTube

「バラク・オバマ元大統領にアメリカ製ガンダム開発計画について語らせる」というデモ音声もあります。

リアルタイム音声合成AI「ZONOS2」でバラク・オバマ元大統領にガンダム開発計画について語らせる例 - YouTube

ZONOS2は以下のリンク先でオープンモデルとして公開されています。ライセンスはApache License 2.0です。また、AMDのAIチップを活用したクラウドサービス「Zyphra Cloud」でも利用可能です。

Zyphra/ZONOS2 · Hugging Face