音声・スピーチ

主要ニュース

1. 1

   Beatport、DJ市場でAI生成音楽を禁止

   Beatportは、全体または大部分をAIで制作されたトラックを禁止した。この規則は、パートナーであるBeatdappの検出ツールでアップロード時にAIトラックを選別して執行され、拒否されたトラックの権利者には通知が送られる。 Beatportの調査では、ユーザーの60%がセットでAI音楽を流さず、77%が人間制作の音楽を好むと回答した。CEOのマット・グレイレン氏は、人を助けるツールと人を完全に置き換えるシステムの違いを強調した。国内DJ市場では、AI生成楽曲の排除が作品選定の判断材料となる可能性がある。

   Deezerなど他のプラットフォームも最近同様の措置を取っており、Deezerは毎日のアップロードの約50%がAI生成であると指摘している。

2. 2

   日本、119番通報のAI対応を試験導入へ

   消防庁は2027年度に、119番通報の対応にAIを活用するモデル事業の開始を予定している。AIによる音声認識システムが通報内容を自動で文字起こしし、関連経費は2027年度の予算要求に盛り込まれる。 救急出動件数の増加を受けて、通報内容の記録作業を効率化し、職員の負担を軽減するのが狙い。システムは通報内容に応じて、職員に必要な対応も助言する。

   電話相談サービス「#7119」にもAIを導入するほか、救助活動向けの装着型ロボットや、ドローンによるAI火災検知の実証実験も計画している。政府は7月、2030年までに消防分野でのAI活用を推進する中間報告を公表している。

3. 3

   AWSとfalが創造的ワークフローで提携

   AWSは、エージェント型AIワークスペース「Amazon Quick」が、Model Context Protocol（MCP）を通じてfalの生成メディアプラットフォームと連携する統合を発表した。これにより、クリエイターは8コマのストーリーボードやミュージックビデオのコンセプトといったワークフローを、1つのインタラクティブなセッション内で実行できる。 クリエイティブチームはキャパシティを超える需要に直面しており、実に78%のクリエイティブリーダーがこの問題を報告している。生成速度の向上だけでは、ワークフローの断片化は解決しない。この統合は、ステップ間でコンテキストを保持し、人間による承認ゲートを追加し、反復可能なプロセスを共有可能な「スキル」としてパッケージ化する。国内のクリエイティブ制作現場では、ツール間の受け渡しを減らした一体型ワークフローの導入が進む可能性がある。

   セットアップにはfalアカウントとAPIキーに加え、Amazon QuickでリモートMCPコネクタを追加する権限が必要。ストーリーボードワークフローは、FLUX.1 Kontextを使用して参照ガイド付きのパネル生成を行う。

4. 4

   LeafnetとBBIX、音声AIサービスで提携

   LeafnetとBBIXは2026年8月、音声とAIを組み合わせた新サービスの構築に向けた協業を開始した。Leafnetは音声通話のノウハウを、BBIXはネットワーク・クラウド基盤の技術を提供する。 AIの進化に伴い成長が見込まれる分野で、自然な音声インターフェースを通じたAIへのアクセス向上を目指す。両社は日常生活やビジネスでの音声コミュニケーションの可能性を広げたい考えだ。国内の通信関連企業が音声AIサービス構築に向けた協業を始めたことで、今後の音声コミュニケーション市場に変化が生じる可能性がある。

   新サービスはLeafnetの音声サービスとBBIXのネットワーク基盤・クラウドサービスを組み合わせる。価格や提供時期は未発表。

5. 5

   NVIDIA MPSでASRのGPU需要を75%削減、AWSで実現

   AWS、NVIDIA、Heidi Healthが、自動音声認識（ASR）推論のGPUインフラを75%削減するソリューションを公開。Amazon EC2上でNVIDIA CUDA Multi-Process Service（MPS）とTriton Inference Serverを組み合わせ、GPUインスタンスを16から4に削減した。 通常、ASRリクエスト1件が使うGPUコンピューティング容量は15〜20%に過ぎず、デフォルトのタイムスライシングでは最大80%がアイドル状態になる。このソリューションではGPUを並列実行のインスタンスに分割し、1GPUあたり毎秒92.1リクエスト（RPS）を維持しつつ、サブ秒レベルのレイテンシを実現。高スループットの音声サービスの運用コスト削減につながる。国内の音声認識サービスを運用する企業は、GPUリソースの効率化により運用コストを抑えられる可能性がある。

   ソリューションはAmazon EC2のg6e.4xlargeおよびg7e.4xlargeインスタンス（NVIDIA L40S、48GB）で実装され、CUDA 12.x対応のNVIDIAドライバ535以上が必要。コードはオープンソースリポジトリで公開されており、3つのコマンドで導入できる。

6. 6

   Deepgram、SageMaker AI可観測性拡張

   Deepgramは、Amazon SageMaker AI上の音声認識・音声合成モデル向けに、課金と使用状況の透明性を高めるDeepgram Enhanced Metricsと、エンジン単位・GPU単位の可視化を実現するPrometheus/OpenTelemetry対応の2つの機能を発表した。いずれも本日からDeepgram SageMaker AIデプロイメントで利用できる。 これらの革新は、セルフホスト型音声AIにおける観測性のトレードオフに対処するものだ。従来はベンダーのコンテナ内に閉じていた課金情報、機能使用状況、エンジン動作を可視化できる。AWS Marketplaceのネットワーク分離環境でも動作するため、ネットワーク経路を開いたり追加権限を与えたりせずに、AWS請求額の照合とキャパシティ監視が可能になる。国内のAI開発企業は、自社運用する音声モデルの利用状況を細かく監視できる可能性がある。

   詳細な観測機能は新規作成のエンドポイントではデフォルトで有効になり、60秒ごとにデータを公開する。CloudWatch、Grafana、その他Prometheus互換ツールからPromQLでメトリクスを照会でき、エンドポイント、インスタンス、GPU単位でフィルタリング可能だ。