Pika Speech TTSモデル発表

Pika Labsは、3Bパラメータのテキスト音声合成モデル「Pika Speech」を発表した。リアルタイムファクターは0.02で、ローカルでの長時間生成テストでは、スタジオ品質の48kHz音声を1分あたり約1.2秒で生成し、最大5分のリクエストに対応する。コスト効率はElevenLabs v3比で最大9倍、CartesiaとElevenLabs Turbo比で4.5倍、Fish Audio比で2倍優れている。
Key insights
Pika Speechが既存TTSサービスに対して大幅なコスト・速度優位性を実現
Pika Labsは、新しい3B TTSモデルがリアルタイムファクター0.02を達成し、ローカルで1分間の48kHz音声を1.2秒で生成、最大5分のリクエストに対応すると主張している。コストはElevenLabs v3比で9倍、CartesiaおよびElevenLabs Turbo比で4.5倍、Fish Audio比で2倍安く、長時間音声生成において高効率な選択肢として位置づけられる。