音声・スピーチ

主要ニュース

1. 1

   完全オフラインで動作するAI音声システムが登場、プライバシーを守りながら会話が可能に

   Ollama（ローカルでAIを動かすツール）に、完全にオフラインで動作する音声機能が追加された。Silero VAD（音声検出技術）、Parakeet STT（音声認識）、Supertonic TTS 3（音声合成）を組み合わせ、全ての処理を自分のパソコン内で行う。

   個人データや会話内容をクラウドに送信せずに、パソコンと音声で会話できるようになる。

2. 2

   AI家庭教師システムでは応答速度が最重要、1.5秒以上の遅延で学習効果が大幅低下

   AI家庭教師システムの開発者らが、どのAIモデルを使うかよりも、音声応答の速度が学習効果を左右すると報告した。学生が話し終えてから音声回答が始まるまでの時間が1.5秒を超えると、学生が集中を失ってシステムが故障したと誤解する。

   オンライン学習アプリや語学学習ツールで、より自然でスムーズなやり取りが可能になる。

3. 3

   ElevenLabsが英国政府と提携、公共サービスにAI音声技術を導入

   AI音声合成会社のElevenLabsが英国政府とのパートナーシップを発表し、ロンドンの本社を拡大すると発表した。同社の音声AI技術が公共サービスに導入される予定。

   役所での手続きや公共サービスの問い合わせで、より自然なAI音声による対応が受けられるようになる可能性がある。

4. 4

   新しい音声認識技術でWhisperを超える性能、Nvidia Parakeet v3が注目

   Nvidia Parakeet v3が、OpenAIのWhisper-large-v3をほぼ全てのベンチマークで上回る性能を示した。より少ないデータ量（66万時間 vs 500万時間）で訓練されているにも関わらず、高い精度を実現している。

   音声入力の精度が向上し、スマートフォンやパソコンでの音声コマンドがより正確に認識されるようになる。

5. 5

   音声合成技術の評価基準が改善、46種類のTTSモデルを盲目投票で比較

   テキスト読み上げ（TTS）技術の品質を客観的に評価する新しいベンチマークシステムが公開された。46種類のモデルを対象に、聞き手が作成元を知らない状態で品質を評価するシステムを導入。

   スマートスピーカーやナビゲーションシステムの音声がより自然で聞きやすくなる改善が期待できる。

6. 6

   音声クローン技術Moss TTS 1.5が登場、英語での声真似が最高水準に

   Moss TTS 1.5 8Bが、Fish Audio S2 ProやQwen 3 TTSを上回る英語音声クローン性能を達成したと報告された。短いサンプル音声から、より自然で元の声に近い合成音声を生成できる。

   オーディオブックの制作や、声を失った人への音声復元技術がより実用的になる可能性がある。