Kakao对其自主开发的Omni人工智能（AI）模型‘卡那那-欧（Kanana-o）’的语音生成技术进行了升级。该技术不仅能够自然地模仿人类朗读，还能根据用户的自然语言指令控制语气、情感、速度和音量等性能。

Kakao于4日通过技术博客公开了卡那那-欧的语音生成技术。新模型的特点是用户可以通过自然语言输入所需的朗读方式，系统会据此生成相应的语音。

例如，系统能够理解“请快速朗读”、“请用低沉的声音朗读”、“请用悲伤的声音朗读”、“请用庆尚道方言朗读”等指令，并反映在速度、音量、音调以及情感和语调上。

此外，系统还可以执行基于角色的指令，如“像体育解说一样”、“像播音员一样”、“像读童话书一样”。同时，它也能处理包含多个条件的复杂命令，例如“请用低沉的声音快速朗读悲伤的内容”。虽然主要以韩语为基础进行学习，但在英语语音生成中也能执行相同的发声指令。

性能方面也有所提升。卡那那-欧在评估发声指令执行能力的韩语基准测试‘InstructTTSEval’中获得了94.50分，超过了GPT-4-mini TTS的91.10分。

语音生成的速度和效率也得到了提高。Kakao应用了自主开发的语音分词器‘LM-SPT’。该技术通过将语音压缩为较少的标记，减少了AI需要处理的数据量，从而提高了语音生成速度。

LM-SPT在比较多种语音语言模型的韩语和英语语音理解及生成性能的评估中表现优异。



※ 本报道经人工智能（AI）系统翻译与编辑。

• #卡那那
• #Kakao
• #AI