音声・スピーチ

主要ニュース

1. 1

   Gemini向け音楽生成モデルLyria 3.5公開

   GoogleはGeminiアプリとAPIで音楽生成モデルLyria 3.5を公開した。前モデルより表現力豊かなボーカルと複雑なアレンジを実現するという。 Geminiアプリに加え、Lyria 3.5はGoogle Flow Musicや開発者向けのGoogle AI Studio、Google Vidsでも利用可能。GoogleはSunoの音楽モデルと異なり、Lyriaをライセンスされたコンテンツのみで学習したと主張する。国内のクリエイターが著作権懸念の少ない音楽生成を利用できる可能性がある。

   学習データの違いは著作権を懸念する企業に訴求する可能性がある。ただ、Googleは実際に使用した学習データの詳細を明かしておらず、この主張の影響は不透明だ。

2. 2

   メタがリアルタイム音声モデル公開

   メタのSuperintelligence Labsが、リアルタイム音声認識モデル「Muse Voice Transcribe」を公開した。生の会話中に音声を文字起こしし、話者の識別や文の境界の検出を行う。Meta Model APIを通じて利用でき、Meta AIとMuse Codeの音声入力機能を支える。 このモデルは競合より価格が安く、1時間あたり0.18ドル（音声1,000分あたり3ドル）。独立したテストでは英語の単語誤り率が3.1%で、ElevenLabs Scribe v2 Realtimeの3.6%、AssemblyAIの4.0%を下回る。20人以上の話者を識別でき、1時間を超える録音も後処理なしで対応する。

   精度と速度のバランスを調整する適応的遅延機構が、実際の使用環境で信頼できるかが成功の鍵を握る。5月にGPT-Realtime-Whisperを公開したOpenAIなど競合が価格でどう反応するかも注視される。

3. 3

   AWSがWhatsApp注文AIアシスタントを発表

   AWSは、Amazon Bedrock AgentCoreとAmazon Nova 2を使い、マルチモーダル対応のWhatsApp注文アシスタントを導入するソリューションを公開した。顧客は同じWhatsApp Business番号にテキスト、音声メモ、通話で注文でき、AIエージェントが一貫して処理する。 レストランは全チャネルでバックエンドと顧客情報を一元管理できるため、今日テキストで注文し、明日電話でかけ直しても同一人物として識別される。チャネルごとに別システムを構築・運用する手間が省ける。国内の飲食チェーンが顧客接点を一元的に変える手段を選べる可能性がある。

   導入にはAWS CDK、特定のAWSリソース、Meta WhatsAppの設定が必要。テキストはAmazon Nova 2 Lite、音声はAmazon Nova 2 Sonicを使用し、AgentCore GatewayがMCP経由でバックエンドツールを公開する。

4. 4

   東急建設、音声AIで安全点検2027年までに展開

   東急建設は2026年8月31日、NTTコノサーフの音声AIと生成AIを使いKY（危険予知）活動をデジタル化すると発表。2026年度に実証実験を行い、2027年度までに全工事現場へ展開する。 手書き記録は詳細さに欠け負担だったという課題に対応する。2026年3月から6月の試験では、AIが安全ミーティングを記録・分析し、作業員からは使いやすさが評価され、100%が利用したいと回答した。

   ABC評価による自動採点が実際の安全成果につながるかが焦点となる。2026年度の実証実験の結果次第で、2027年度の全現場展開の成否が左右されるとみられる。

5. 5

   ローランド、AI音楽ツール発表

   ローランドは、音楽制作ソフト向けのプラグイン「Melody Flip」を発表した。ジャンル別に約250種類の「パレット」を用意し、音楽的アイデアを生成する。 SunoやUdioと異なり、Melody Flipは完成された楽曲を生成しない。ジャンル、ノート密度、BPM、キーを選ぶだけで、創造性を刺激するシンプルなループを提供する。国内の音楽制作者が、DAW上での編集を前提とした新たなAI支援ツールの活用を検討する可能性がある。

   このツールの成否は、生成AIに対する音楽コミュニティの受け入れ次第とみられる。MIDIデータを書き出せる点が、DAW上での編集を前提とする制作者にとっての利点となるかが焦点だ。

6. 6

   マイクロソフト、音声AI価格を10セントに大幅引き下げ

   マイクロソフトAIが音声認識モデル「MAI-Transcribe-2」を公開。OpenAIやGoogle、ElevenLabsの製品より高速で正確、かつ安価と主張する。先行割引価格は音声1時間あたり10セントで、5カ月前の初代モデルの1時間$0.36から約72%引きだ。 年間10万時間のコールセンター音声を処理する企業の場合、年間費用は$36,000から$10,000に減る。この水準まで下がると文字起こしは無視できるコストとなり、大銀行や通信各社の予算編成に影響を与えかねない。国内のコールセンター運営企業は、音声認識の外部委託コスト削減効果を享受できる可能性がある。

   同モデルがOpenAI製技術からの置き換えを加速させるかが焦点で、音声認識分野でのマイクロソフトの自社製モデル戦略の成否を占う試金石となる。1時間あたり10セントという価格が、競合他社の価格設定に波及するかが注目される。