Canopy Labs: Orpheus 3B

Canopy Labs: Orpheus 3B は、Canopy Labs によるテキスト読み上げモデルです。英語の音声合成に合わせてファインチューニングされた 3B パラメータのモデルで、自然な韻律と表現力豊かな話し方に重点を置いています。このモデルはプロバイダーによって 2026 年 4 月 23 日にリリースされました。主なカテゴリは音声であり、汎用言語モデルではなく専門特化型モデルとして位置づけられています。

このモデルはテキストのみを入力として受け取り、音声のみを出力として生成します。コンテキスト長は 4096 トークンで、最大出力は 3686 トークンです。Orpheus 3B には 7 つのプリセット音声が付属しています: tara、leah、jess、leo、dan、mia、zac です。プロバイダーは、自然な韻律と表現力豊かな話し方に合わせてファインチューニングされていると説明しており、これはテキスト理解や推論よりも、生成される音声がどのように聞こえるかに重点が置かれていることを意味します。

これらの機能は、かなり特定的なユースケース群を示しています。ナレーションは自然な用途です。このモデルは英語テキストの長いパッセージにわたって韻律と表現にチューニングされているからです。音声アシスタントももう一つの用途で、7 つのプリセット音声により、音声応答に対して一貫した話者を選ぶことができます。同じことは、書かれたコンテンツを音声に変換する必要があるあらゆるアプリケーションにも当てはまります。たとえば、記事の読み上げ、音声プロンプトの生成、固定された登場人物やプレゼンターのためのボイストラックの作成などです。入力がテキストのみであるため、このモデルはクローニングや文字起こしのための音声を受け付けず、出力が音声のみであるため、後処理できるテキストを返しません。

このモデルは、モデル id "canopylabs/orpheus-3b-0.1-ft" を使用して api14 の OpenAI 互換 API を通じて呼び出します。リクエストは他の OpenAI 互換音声エンドポイントと同じ形に従い、入力としてテキストを渡します。このモデルはサポートされるパラメータを一切リストしていないため、サンプリング制御、音声選択フラグ、その他の調整オプションをリクエスト経由で渡すことは期待すべきではありません。7 つの音声はリクエストパラメータではなく、モデルの固定構成の一部です。

4096 トークンのコンテキストと 3686 トークンの出力上限は、事前に計画しておく価値があります。非常に長い文書は、合成前にチャンクに分割する必要があり、英語のみへの特化は、他の言語が対象外であることを意味します。タスクがテキスト生成、推論、翻訳、またはテキストを返すものである場合、汎用言語モデルの方が適しています。Orpheus 3B は、成果物が話し言葉の英語音声であり、韻律をモデル自体に処理してほしい場合に適した選択です。