あなたのターミナルは、クラウドAPIを呼び出さずにあなたに返答できるようになりました。 土曜日、OllamaはmacOS向けにテキスト-to-スピーチ機能を含むバージョン0.40.11をリリースしました。 最初の音声モデルはGradiumが開発した小さなTTSモデル群であるPhononです。 `ollama pull phonon`で取得し、他のモデルと同じように実行できます。 開発者が実際に注目するポイントはAPIです。 Phononは、ローカルホスト上のOpenAI互換の`/v1/audio/speech`エンドポイントと連携します。 すでにOpenAI SDKを使用して音声処理を行っている場合、ドキュメントによると、新しいベースURLを設定するだけで済みます。 音声が生成されている間にレスポンスがストリーミングされるため、全文が完了する前に再生を開始できます。 チャットモデルの返答をPhononに直接パイプし、最初の文が完了した時点で音声再生を開始することも可能です。 出力はデフォルトでWAV形式の24kHzモノラル、または要求すれば生の16ビットPCM形式です。 ドキュメントには、簡単に制限に引っかかる点がいくつか記載されています。 1リクエストあたり最大4,096文字まで対応していますが、`ollama run`は長いテキストを自動で分割します。 価格、記号、メールアドレス、URLは文字単位で読み上げられ、数値形式の日付はそのまま読み上げられます。そのため、ドキュメントでは日付を文字列で記述することを推奨しています。 speedやinstructionsなどの非対応オプションは静かに無視されるのではなく、400エラーを返します。 ライセンスについては、製品をリリースする前に注意深く確認してください。 デフォルトの英語PhononモデルはApache 2.0です。 40Mサイズのフランス語、ドイツ語、スペイン語、ポルトガル語および多言語バージョンはCC BY-NC 4.0であり、商用利用は不可です。 Ollamaはまた、M5 Max搭載のMacBook Proでは、Gradium自体のランタイムよりも35%高速に動作したと述べていますが、これは独立したベンチマークではなくGradium自身の基準です。 現在の音声機能はApple Silicon専用で、WindowsおよびLinux対応は近日中に予定されています。