音声・スピーチ

主要ニュース

1. 1

   ElevenLabsがイギリス政府と提携、公共サービスでAI音声技術を導入へ

   音声AI技術を開発するElevenLabsが6月8日、イギリス政府との提携を発表し、ロンドン本社の拡張も同時に発表した。この提携により、政府の公共サービスでAI音声技術が活用されることになる。

   今後、イギリスの行政手続きや公共サービスで、より自然な音声でのAI対応が受けられるようになる可能性がある。

2. 2

   完全オフライン対応の音声AIシステムが登場、インターネット接続不要で動作

   開発者がOllama（ローカルでAIを動かすツール）と組み合わせて、完全にオフラインで動作する音声AIシステムを構築した。Silero VAD（音声検出）、Parakeet STT（音声認識）、Supertonic TTS 3（音声合成）を組み合わせ、全ての処理がパソコンのCPUのみで実行される。

   プライバシーを重視するユーザーが、音声データを外部に送信することなく、自宅のパソコンだけでAI音声アシスタントを利用できるようになる。

3. 3

   音声生成AI「Moss TTS 1.5」が登場、英語音声クローン技術で最高品質を実現

   6月2日に公開されたMoss TTS 1.5（80億パラメータ）が、英語での音声クローン技術において現在最高水準の品質を達成した。従来のFish Audio S2 ProやQwen 3 TTSを上回る性能を示している。

   より自然で本人に近い音声クローンが可能になり、音声コンテンツ制作やアクセシビリティ向上に活用される可能性が高まる。

4. 4

   AI音声エージェントで応答速度が最重要課題、1.5秒以上だと利用者が離脱

   AI家庭教師システムの開発者が、音声AIエージェントにおいて応答速度がモデルの性能よりも重要だと指摘した。音声応答の開始が1.5秒を超えると、学生はシステムが故障したと判断して離脱してしまう。

   今後のAI音声サービスでは、高性能よりもリアルタイムでの応答が優先され、より自然な会話体験が実現される方向に開発が進む。

5. 5

   音声認識技術の次期ブレークスルー議論、大規模データ学習とアーキテクチャ革新が焦点

   音声認識（ASR）技術の研究者らが次期技術革新について議論を展開。Nvidia Parakeet v3がWhisper-large-v3を上回る性能を示し、規模だけでなく学習方法とアーキテクチャ設計の重要性が明らかになった。

   スマホやスマートスピーカーの音声認識がより正確になり、方言や雑音の多い環境でも確実に音声を理解できるようになる。