音声・スピーチ

主要ニュース

1. 1

   Gemini 3.8 Live音声部門首位

   Google DeepmindがGemini 3.8 Liveと3.8 Live Extended ThinkingをGemini APIとGoogle AI Studioで公開。 Googleの音声入力は1分0.005ドル、出力は0.018ドルで、OpenAIの1分0.05ドルよりはるかに安い。1時間の音声会話はGoogleで約1.38ドル、OpenAIでは少なくとも3.00ドルかかる。

   OpenAIのモデルはフルデュプレックスにより依然としてより自然な会話を実現するはずで、デモを見る限り音質も良く、Googleが再び品質より価格を優先したことをうかがわせる。

2. 2

   GoogleのAI言語ツール、300言語・70億人に到達

   Googleは、言語技術が70億人超、世界人口の86%が話す300超の言語に対応し、Gemini 3.5 Live Translateが70言語のリアルタイム音声を処理すると発表した。 Google Translateは2006年の登場時の数言語から現在は250超に拡大。焦点はテキストから、トーンや感情を保つネイティブ音声に移り、旧来の段階的処理では失われていた要素を扱う。

   世界の話者上位1,000言語を支える目標は草の根のデータ提携次第で、Project Vaaniだけで109言語・3万時間超の音声を収集。TranslateGemmaの対応言語数（現在55）に注目。

3. 3

   Nuance Labs、5000万ドル調達

   Apple出身の研究者Fangchang Ma氏が率いるシアトルのスタートアップNuance Labsが、Lightspeed Venture Partners主導のシリーズAで5000万ドルを調達。 現在の音声ボットは音声・言語・声のモデルを別々につなぎ合わせており、反応の遅延やフリーズが起きる。

   製品はまだ出荷されておらず、最初の研究プレビューは今年後半を目標にしている。調達資金はその開発と研究者の増強に充てられる。

4. 4

   三菱電機、単一モデルの音源分離技術を公開

   三菱電機は、音声や機械音、音楽などの種類をプロンプトで指定し混合音を分離する単一AIモデル「特定音源分離技術」を開発したと発表した。 タスクごとに1モデルだった方式から、1モデルをプロンプトで動かし複数音源を分離する方式へ移行し、高計算機だけでなくエッジ機器やロボットでも動作する。

   フィジカルAI向けの商用導入は2027年度頃を目標としており、Serendie上での導入が異常検知や音声認識システムと連携できるかが試金石となる。

5. 5

   ElevenLabs、Music v2.5公開

   ElevenLabsがElevenMusic向けにMusic v2.5をリリース。APIでも利用でき、無料枠は1日5件のロスレスDL、Pro枠は月400件。 47,885組の盲検比較で聴取者は大半の場合v2.5を好み、同社は既存モデルをライセンス済みのステムと楽曲で学習したと説明。

   Universal Music Groupとのライセンス契約は今後の製品が対象でMusic v2.5には及ばず、中核製品まで広がるかが焦点。

6. 6

   UMGとElevenLabsが楽曲リミックス基盤始動

   Universal Music Groupは木曜、音声AI企業ElevenLabsとの提携を発表。ユーザーは楽曲カタログを使いリミックスを制作できる。アーティストはオプトインが必要。 AI音楽大手SunoがWarner MusicやBMGと組んだモデルに続く動きで、AI音楽企業は訴訟対象から有料顧客へと移行。UMG、Sony、Warnerは2024年にSunoを提訴した。

   ファンに技術を触れさせればAI音楽の謎が解けるとの賭け。ただし楽曲利用にはアーティストのオプトインが必要。参加が広がるかが焦点。