Kakao集团(035720)升级了自主研发的全能AI模型“Kanana-o”,使其能够生成表达特定语气、语调乃至情感的语音。并通过自主研发的语音分词器同时提升了生成速度与效率。
5日据Kakao集团技术博客,Kanana-o开发团队对语音生成技术进行了升级,使用户仅凭自然语言指令即可控制所需的语气、情感乃至语调。如果说以往的语音AI侧重于自然地朗读文本,那么此次改进的Kanana-o则可依据用户指令控制语音表达本身。
例如,用户以自然语言说出希望的发声方式,如“读得非常快”“用低沉的声音读”“用悲伤的声音读”“用庆尚道方言读”,AI便会在速度、音量、音高之外,还细致体现情感、语调与强度来生成语音。
此外,还可执行“像体育解说一样”“像播音员一样”“像读童话书一样”等基于角色的指令,以及“把音调降低、快速地用悲伤的声音读”这类包含多个条件的复合指令。
Kanana-o在评估发声指令执行能力的“InstructTTSEval”韩语基准测试中取得94.50分。这一水平超过GPT-4o-mini-tts(91.10分),可与谷歌Gemini-2.5-flash-preview-tts(95.38分)相媲美。此外,Kanana-o虽以韩语数据为主进行学习,但在英语语音生成中也能顺利执行相同的发声指令。
通过应用自主研发的语音分词器“LM-SPT”,不仅语音生成质量提升,速度与效率也有所改善。LM-SPT是让AI用更少的token压缩表达语音的技术,可减少AI需处理的数据量,从而更快、更高效地生成语音。
Kakao集团计划持续发展Kanana-o语音技术。将通过以统一架构处理语音理解与生成能力的研究来升级语音处理技术,并专注于提供自然、无中断的语音体验。此外还计划继续开发自然生成笑声、叹息、感叹等非语言表达的技术等,以实现更精细的语音控制。
Kakao集团统一基础模型成果负责人卢炳锡表示:“此次Kanana-o语音技术升级着重于实现如人一般自然的语音生成,以及依据自然语言指令表达用户所需语气、情感和语调的能力”,“今后将把Kanana-o模型应用于各类服务,提供更自然、更便捷的AI语音体验。”






