Pika SFXモデル、テキストからSFXを0.847秒で生成、ホスト型APIを凌駕

Pika SFXモデルは、テキストからSFXへの変換を1秒未満で実現し、ローカルホストのエンドツーエンドパスで50のプロンプト(要求音声時間454秒)に対して平均0.847秒を記録した。比較対象として、最速のホスト型APIであるElevenLabs v2とStable Audio 3 SFXは、それぞれ平均2.47秒、2.64秒であった。

Pika SFXモデルは、テキストからSFXへの変換を1秒未満で実現し、ローカルホストのエンドツーエンドパスで50のプロンプト(要求音声時間454秒)に対して平均0.847秒を記録した。比較対象として、最速のホスト型APIであるElevenLabs v2とStable Audio 3 SFXは、それぞれ平均2.47秒、2.64秒であった。