arXiv preprint2026年10月
RubatoCodec: Budgeted Adaptive Speech Tokenization with Streaming Decoding
Chihiro Arata, Shohei Taniguchi, Gouki Minegishi, Kan Hatakeyama-Sato
発話単位のトークン数を厳密に制御でき、ストリーミング復号にも対応した可変フレームレート音声コーデック。
Papers
研究論文
T5Gemmaをベースにしたエンコーダ・デコーダ型のコーデック言語モデルによる多言語ゼロショット音声合成。PM-RoPEにより発話長を制御。
Articles
Zennでの技術記事の発信
Projects
GitHubで公開しているプロジェクト
GitHub
Irodori-TTS
A Flow Matching-based Text-to-Speech Model with Emoji-driven Style Control
Language:Python
Topics:diffusion-modelsflow-matchingpython
1466178
リポジトリを見るGitHub
T5Gemma-TTS
Multilingual TTS model with voice cloning and duration control, based on T5Gemma encoder-decoder LLM
Language:Python
Topics:encoder-decoderllmpython
31328
リポジトリを見るGitHub
MioTTS-Inference
Inference server for MioTTS, a lightweight and fast LLM-based TTS model.
Language:Python
Topics:llmpythonpytorch
20522
リポジトリを見るGitHub
Irodori-TTS-Server
OpenAI Text-to-Speech API compatible server for Irodori-TTS
Language:Python
Topics:openai-compatiblepythonspeech-synthesis
8242
リポジトリを見るModels / Datasets
Hugging Faceで公開しているモデル/データセット
モデル
データセット
- Synthetic-Japanese-Roleplay-NSFW-Claude-3.5s-15.3k20
- Synthetic-Japanese-Roleplay-NSFW-Claude-3.5s-15.3k-formatted20
- Rosebleu-1on1-Dialogues-RP17
- Synthetic-JP-EN-Coding-Dataset-801k17
- Magpie-Tanuki-8B-97k12
- Synthetic-JP-Conversations-Magpie-Nemotron-4-10k11
- Synthetic-Japanese-Roleplay-gpt-4o-mini-39.6k-formatted11
- Magpie-Speech-Orpheus-125k11
- Synthetic-JP-EN-Coding-Dataset-Magpie-69k10
- Synthetic-Japanese-Roleplay-NSFW-DeepSeek-V3-0324-20k10
Career
これまでの職歴
Third Intelligence
Senior Research Engineer
2025年10月～現在
LLMやTTSをはじめとするAIモデルの研究開発・運用などを担当
SpiralAI
LLMエンジニア
2025年3月～2025年9月
自社サービス向けLLMのモデル開発や推論クラスタ構築などを担当
NTT東日本
データサイエンティスト
2023年4月～2025年2月
生成AIによる社内外の業務効率化支援などを担当