Sesame: CSM 1B

Sesame: CSM 1B は Sesame の会話音声モデルです。これは speech カテゴリに属し、api14 上ではモデル id sesame/csm-1b で識別されます。プロバイダーはこれを 1B パラメータモデルと説明しており、書き起こされたテキストから音声を生成するための比較的小規模な選択肢となっています。

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。具体的には英語音声です。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。音声の選択もこのモデルが提供する機能の一部です。利用可能な音声は conversational_a、conversational_b、read_speech_a、read_speech_b、read_speech_c、read_speech_d、および none です。会話音声スタイルと読み上げ音声スタイルの区分により、選択する音声に応じて、やり取りするようなトーンまたはよりフォーマルなナレーショントーンを目指せます。

これらの機能は、かなり明確な用途群を示しています。入力がテキストで出力が音声であるため、CSM 1B は、すでにスクリプトや原稿のまとまりがあり、それを読み上げる必要がある作業に適しています。会話音声は、対話形式のコンテンツ、応答するアシスタント、自然な話し方のトーンが重要なインタラクティブ体験に適しています。読み上げ音声は、ナレーション、記事や文書の読み上げ、および安定したプレゼンテーション調の話し方が求められるあらゆるケースに適しています。none オプションは、出力を名前付き音声に固定したくない場合に利用できます。このモデルは 1B パラメータと小規模であるため、大規模モデルを背後に置かずに音声生成を行いたい場合の妥当な候補です。

これは、モデル id sesame/csm-1b を使用して api14 の OpenAI 互換 API を通じて呼び出します。API は OpenAI 形式に従っているため、通常の方法でリクエストを送信し、model フィールドをその id に設定し、テキストを入力として渡します。このモデルの対応パラメータ一覧は空であるため、リクエスト形式自体が要求するものを超えて渡す追加の調整パラメータはありません。音声の選択は上記の voices を通じて公開されているため、特定の話し方のスタイルが必要な場合は、サンプリング設定に頼るのではなく、一致する音声を選択してください。

コミットする前に知っておく価値のある制限があります。コンテキストウィンドウは 4096 トークンで、最大出力は 3686 トークンであるため、非常に長いスクリプトはリクエストを分割する必要があります。出力は英語音声のみで、入力はテキストのみであるため、このモデルは音声入力や英語以外の出力を扱いません。タスクが別の出力モダリティ、より長いコンテキスト、または調整可能な生成パラメータを必要とする場合、api14 上の別のモデルの方がより適している可能性があります。