音声・スピーチ

主要ニュース

1. 1

   Fish Audio、5200万ドル調達

   パロアルト拠点のFish Audioは、ユーザー数800万人超、年間経常収益2100万ドルを生み出している企業で、火曜日にCoreline VenturesとCapital Todayが主導するシードラウンドで5200万ドルを調達した。同社は過去1年間に5つのモデルを公開しており、音声生成モデル4種類と音声テキスト化モデル1種類で構成されている。また1万5000以上の自然言語制御ライブラリを運営している。 AI音声生成は、表現力に富んだ合成音声を必要とするクリエイターや、カスタマーサポートと営業を自動化する企業にとってますます価値を持つようになっている。Fish Audioのオープンソースアプローチ（モデルの3つはオープンソース化され、最新のS2.1 Proは有料API経由でのみ利用可能）はインディーデベロッパーとビデオゲームデザイナーを引き付けており、HeyGenやSanasといった組織がそのエンタープライズAPIを利用している。同社はElevenLabs、WellSaid、Cartesiaを含む競合企業が存在する混雑した市場に直面している。

   Fish Audioは今年中に音声理解モデルをリリースする予定であり、音声間変換モデルも構築中である。同社は音声削除プロセスも自動化しており、クリエイターは音声サンプルまたは契約を送信することで、3分未満で不正な音声アップロードを削除できるようになった。これは同意に関する従来の懸念に対処している。

2. 2

   生成AI音声の無断使用に民事責任、法務省が認める

   日本の法務省の専門家委員会が月曜日、生成AIを用いた著名人の音声の無断使用について、有名人が自らのアイデンティティの商業的価値を管理できる法的保護である肖像権に基づいて民事責任を問えると定めた答申案を承認した。個人は侵害コンテンツの削除または損害賠償を要求できる。 声優をはじめとする関係者らは、これまで日本の裁判所がこうした権利について判示した例がなかったため、音声の無断使用について何が違法かを明確にするよう長年求めてきた。答申案は、オリジナルと完全に同一ではなくても、音質やスタイルが似ている生成AIの音声が侵害に当たる可能性があると明記している。これは営利目的の無断音声模倣の被害者にとって意味のある基準だ。

   法務省は専門家の意見を踏まえ、早ければ8月中に最終答申を公表する予定だ。答申案ではさらに、俳優の肖像から生成AIを使って性的画像を作成することが、肖像権と肖像使用権の両方に侵害すると明記し、より広い範囲の生成AIの害に対応している。

3. 3

   新規ポッドキャストの30%以上がAI生成

   ポッドキャスト検索データベースのListen Notesが、新たに作成されたポッドキャストの30%以上が人間制作ではなくAI生成音声で構成されていると報告した。同プラットフォームは、他社のカウント方法に含まれるAIスパムや削除されたポッドキャスト、非音声コンテンツを除外することで、379万3012件のポッドキャストからなる独自データベースを区別している。 AI生成ポッドキャストの増加は、本物の人間制作オーディオコンテンツの品質と発見可能性を低下させる。リスナーとクリエイターにとって、これは真のポッドキャスト数が見出しの数字より大幅に少ないことを意味する。この区別は業界が成長と成功をどのように測定するかに影響する。

   Listen Notesは24時間の自動スクリプトと人間のモデレーターを使用してデータベースを維持し、ポッドキャスト数の水増しが一般的となった業界における品質キュレーションの基準を設定している。

4. 4

   Deepgram、SageMaker向けAWS IAM一時委譲を統合

   Deepgram は AWS IAM の新機能である一時委譲を、Amazon SageMaker AI 上で Deepgram の音声AI モデルを実行する顧客向けのサポートワークフローに統合しました。この統合により、Deepgram のエンジニアがサポートチケットシステムから直接、期間限定でスコープ指定されたカスタマーエンドポイントとログへのアクセスをリクエストでき、顧客は自身の IAM コンソールでリクエストを承認できるようになります。 従来の長期的なクロスアカウント IAM ロールモデルに代わるもので、同モデルは継続的なプロビジョニングと監査の話し合いが必要でした。顧客が IAM コンソールでアクセスを承認できるようになったため、画面共有をスケジュールする必要がなくなり、Deepgram は SageMaker AI サポートチケットの初期調査時間を数日から数分に短縮しました。委譲された API 呼び出しはすべて AWS CloudTrail に Deepgram のパートナーアカウント ID でタグ付けされ、完全な監査可能性が確保されます。

   統合を通じて発行された認証情報は12時間後に自動的に失効し、顧客は失効前いつでもアクセスを取り消すことができます。この統合には、アクティブな Deepgram サポート契約、SageMaker AI エンドポイントが実行されているリージョンで有効化された AWS CloudTrail、および SageMaker AI エンドポイントホスティング、Amazon CloudWatch ログ、AWS CloudTrail、ネットワーキング用の AWS インフラストラクチャ料金が必要です（Deepgram はそのモデルについて14日間の無料トライアルを提供していますが、AWS インフラストラクチャコストはデプロイ開始時から適用されます）。

5. 5

   元AWS科学者、音声AI企業を設立

   Amazonの元Distinguished Scientistアレックス・スモーラ氏がBoson AIを設立し、競合他社の音声システムよりも大幅に低価格な音声間翻訳モデル「Higgs RealTime」をリリースする。サンタクララに拠点を置くこのスタートアップは7000万ドル（約110億円）の資金調達を実施し、中国の起業家スー・フア氏およびシンガポール拠点のTemasekのベンチャー部門が支援者に名を連ねている。 音声AIはOpenAIやMetaなど主要企業が注力する全二重通信システム（ユーザーが途中で割り込める自然な双方向会話を実現する技術）の重要な競争領域となっている。Bosonは自社モデルが競合他社の10分の1の費用で利用できると主張しており、カスタマーサポート、営業、その他のエンタープライズアプリケーションにおける音声エージェントの導入経済学を大きく変える可能性がある。スモーラ氏は金融、通信、医療、保険業界の顧客をターゲットにしている。

   Bosonは多くの資金を持つ競合に直面している。Microsoftは最近新しい音声モデルの反復版を発表し、OpenAIはGPT-Live（全二重オーディオモデルのファミリー）をローンチし、Metaはウェアラブル向けに最適化したMuse Sparkをリリースしている。主要な技術的課題はレイテンシーのままである。テキストチャットでは1秒の遅延は許容されるが、音声会話ではそれが不快に感じられる。

6. 6

   オープンソース音声AIプロファイラー、VoiceGateway公開

   Redditユーザーが、自社ホスト型の音声エージェント（LiveKit、Pipecatなど）の内部動作を可視化するオープンソースツール「VoiceGateway」を公開しました。STT（音声認識）、LLM（文章を理解・生成するAI）、TTS（音声合成）の各呼び出しの遅延、モデルID、コストをプロファイリングできます。 自社運用の音声エージェントには従来、モデル層での動作を監視する仕組みが組み込まれていませんでした。VoiceGatewayは音声経路の外部に配置され、単一の `attach(session)` 呼び出しで監視を始められるため、開発者が運用コストと性能を可視化できるようになります。

   MITライセンス下のオープンソースで、Docker対応。ローカルSQLiteにデータを保存し、DuckDBで分析を実行。`voicegw reconcile` コマンドで実際のコストをプロバイダーの請求書と照合できます。