生成音声の次なる時代
MARS8：本番環境向けに構築された多言語テキスト読み上げモデル
MARS8は本番環境レベルのテキスト読み上げモデルファミリーです。数百万人が耳を傾けるときでも、あらゆるユースケース、言語、音声プロファイルに同じ確かな信頼性を提供できるよう構築されています。
主要な計算プラットフォームすべてでネイティブに提供開始
世界初のTTSモデルファミリー
MARS8ファミリー - 各ユースケースに特化したモデル
01 / 04
MARS8-Flash
会話型AIエージェント向けの低遅延多言語TTS。
Parameters: 600M
ユースケース
- リアルタイム音声エージェント
- コンタクトセンター
- ライブ会話型AI
02 / 04
MARS8.1-Pro
最高品質を目指すモデル。発音、高音の参照音声での表現力、プロソディ、アクセントの制御・カバレッジが向上しています。
Parameters: 600M
ユースケース
- 表現力豊かな吹き替え
- オーディオブック
- デジタルメディア
03 / 04
MARS8-Instruct
話者のアイデンティティとは独立して、感情、タイミング、スタイルをきめ細かく制御。
Parameters: 1.2B
ユースケース
- 映画・テレビの吹き替え
- 精密なプロソディ制御
- クリエイティブな編集ワークフロー
04 / 04
MARS8-Nano
メモリと計算リソースが限られていても、本番環境レベルの品質が求められる場面向け。
Parameters: 50M
ユースケース
- 車載システム
- 組み込みデバイス
- エッジ展開
NEWMARS8.1 がベータ版で登場。より高速で表現力豊か、API はそのまま。
研究ブログの全文を読む →ベンチマーク結果
TTSの新たな基準を再定義
MARS8-Pro
CAMB.AI
MARS8-Flash
CAMB.AI
Sonic-3
Cartesia
Speech-2.6-hd
Minimax
Multilingual_v2
ElevenLabs
Multilingual_v3
ElevenLabs
PQ ↑
MetaのAudiobox-Aestheticsモデルによる予測平均オピニオンスコア（1〜10）。高いほど制作品質が優れていることを示します。
WavLM SVコサイン類似度 ↑
wavlm-base-sv埋め込みモデルを使った、生成音声と参照音声の平均コサイン類似度。
CAM++ コサイン類似度 ↑
CAM++埋め込みモデルを使った、生成音声と参照音声の平均コサイン類似度。
CE ↑
MetaのAudiobox-Aestheticsモデルによる予測平均オピニオンスコア（1〜10）。高いほどコンテンツの楽しさが大きいことを反映します。
CER ↓
Whisper ASRで測定した、生成出力における誤り文字の割合。低いほど優れています。
MetaのAudiobox-Aestheticsモデルによる予測平均オピニオンスコア（1〜10）。高いほど制作品質が優れていることを示します。
MARS8-Pro
CAMB.AI
MARS8-Flash
CAMB.AI
Sonic-3
Cartesia
Speech-2.6-hd
Minimax
Multilingual_v2
ElevenLabs
Multilingual_v3
ElevenLabs
世界の99%をカバーする言語対応
グローバルな言語カバレッジ
MARS8は、視聴者が話し、聞く方法にネイティブでありながら、世界の99%をカバーできる多言語のバックボーンです。
