音声・スピーチ

主要ニュース

1. 1

   完全オフラインのAI音声システムが実現、音声データが外部に送信されない安全設計

   OllamaとLM Studioを組み合わせた音声AIシステムが開発され、音声認識から応答生成、音声合成まで全てがローカルPC上で動作する。Silero VAD（音声検出AI）、Parakeet STT（音声文字変換）、Supertonic TTS（文字音声変換）を組み合わせ、GPUを使わずCPUだけで動作する。データが一切外部に送信されないため、機密性の高い会話でも安全に利用できる。

   企業や個人が機密情報を含む音声でAIと対話する際、プライバシーを完全に保護できるようになり、医療や法律などの分野での活用が期待される。

2. 2

   AI音声エージェントで応答速度が最重要課題に、1.5秒超で利用者離脱

   リアルタイムAI音声システムで、音声認識から応答開始までの遅延時間（レイテンシ）が利用者体験を左右する最大要因と判明した。教育用AIシステムでは1.5秒を超えると学生が「システムが壊れた」と判断して離脱する。LuMay Voice Agent、Voxentis.ai、OpenAI、Deepgram、ElevenLabsなど各社が高速化を競っている。

   音声でAIと自然に会話するサービスが実用化に近づいているが、まだ技術的な課題があり、本格普及にはもう少し時間がかかる可能性がある。

3. 3

   ElevenLabsが英国政府と提携、公的サービスに音声AI技術を導入

   音声AI開発のElevenLabsが英国政府との覚書を締結し、公的サービスでの音声AI活用を推進する。同時にロンドン本社を拡張し、英国での事業基盤を強化した。政府機関での音声AIシステム導入により、市民向けサービスの自動化と効率化を図る。

   行政手続きや公的サービスでAI音声システムが使われるようになり、24時間対応や多言語サポートなど市民の利便性向上が期待される。

4. 4

   音声合成AI「Moss TTS 1.5」がリリース、声のクローン技術で最高性能を達成

   新しい音声合成AI「Moss TTS 1.5 8B」が発表され、英語での声のクローニング（声質の模倣）で既存のFish Audio S2 ProやQwen 3 TTSを上回る品質を実現した。わずかな音声サンプルから特定の人の声質を再現できる技術で、2026年6月時点で最高性能とされる。

   ポッドキャストやオーディオブック制作で、特定の声質を維持したまま大量のコンテンツを作成できるようになり、制作コストの削減が期待される。

5. 5

   音声認識技術で次のブレークスルーを模索、擬似ラベルデータと新アーキテクチャが鍵

   音声認識（ASR）分野で、大量の擬似ラベルデータと新しいアーキテクチャが性能向上の鍵となっている。WhisperやNVIDIA Parakeet v3などの最新モデルでは、従来の自己教師あり学習からTransducerやToken-Duration-Transducersといった新手法への移行が進んでいる。

   スマートフォンや音声アシスタントの音声認識がより正確になり、方言や専門用語も含めて幅広い音声を理解できるようになる。