音声・スピーチ

主要ニュース

1. 1

   ElevenLabsが新音楽生成AI「Music v2」を発表、オペラからメタルまで1曲で自在に変化

   ElevenLabsが5月28日に音楽生成AI「Music v2」をリリースした。1つの楽曲内でオペラ、ヘビーメタル、ラップなど異なるジャンルを自然に組み合わせられる機能を搭載。特定の部分だけを再生成できる「インペインティング」機能も追加された。

   音楽制作者やクリエイターが複雑なジャンル融合楽曲をより簡単に作成でき、YouTubeやTikTokなどのコンテンツ制作が効率化される。

2. 2

   Spotifyがオーディオブック作成ツールを開始、著者が自分で音声版を制作可能に

   Spotifyが5月21日にElevenLabsの技術を使ったオーディオブック作成ツールを発表した。著者が自分の本を音声版に変換できるサービスで、専属契約は不要で他のプラットフォームでも販売可能。

   個人の著者でも高品質なオーディオブックを低コストで作成でき、Audibleなどで聞ける音声書籍の選択肢が大幅に増える可能性がある。

3. 3

   MOSS-TTS v1.5が公開、多言語音声合成と声のクローン機能を強化

   5月26日にMOSS-TTS v1.5が公開され、多言語音声合成（複数の言語を自然に切り替える技術）と声のクローン機能が向上した。ゼロショット（事前学習なし）で声を複製でき、より安定した音声生成が可能になった。

   語学学習アプリや多言語サポートが必要なビジネスツールで、より自然な音声案内やナレーションが利用できるようになる。

4. 4

   LongCat-Video-Avatar 1.5が登場、音声から人物動画を生成する技術を改良

   5月23日にLongCat-Video-Avatar 1.5が公開され、音声入力から人物の動画を生成する技術が向上した。Whisper-Largeを採用し、より自然な口の動きと長時間動画の生成が可能になった。

   オンライン会議やeラーニングで、実際の人物の代わりにAIアバターが話す動画コンテンツがより自然に作成できるようになる。

5. 5

   音声認識システムの精度向上を求める開発者が増加、Whisperを超える技術を模索

   開発者コミュニティでWhisper Large V3 Turbo（現在主流の音声認識AI）を上回る精度の音声認識システムを求める声が高まっている。多言語対応とノイズ環境での認識精度向上が主な課題となっている。

   会議の議事録作成や音声入力システムの精度が向上し、仕事でのデジタルツール活用がより実用的になる。