音声・スピーチ

主要ニュース

1. 1

   OpenAI、音声API「GPT-Live-1」を公開

   OpenAIは、聞きながら同時に話せる全二重音声モデルGPT-Live-1を、毎分0.05ドルのAPIとして開発者向けに提供開始。Yelpはすでに電話予約で利用している。 OpenAIのベンチマークで、全二重の対話性はGPT-Realtime-2.1の45.4％から80.1％に上昇し、ターン交代の遅延は1.4秒から0.8秒に短縮された。

   毎分0.05ドルという価格が大量通話での導入を妨げないか、外部のテストがOpenAI自身のベンチマーク改善と一致するか。ツール呼び出し精度が60％から87％に向上した点にも注目だ。

2. 2

   Pocket FM、AIで年換算収益5億ドル

   Pocket FMが年換算収益を1年で5億ドルに倍増させたとCEOのRohan Nayak氏が表明。AIは現在カタログの93%、新規コンテンツの99%を支えている。 Nayak氏によればAIで制作コストが約80分の1になり、かつて1年かかった100時間分を1日で作れるように。12カ月収益維持率は2年前の44%から76%に上昇。

   マイクロドラマアプリPocket Sagaが年換算1500万ドルに迫る。20億ドル評価で1億ドルから1億2000万ドル調達報道も注目。

3. 3

   UMGとElevenLabsがAI音楽基盤を始動

   Universal Music Groupは木曜日、ElevenLabsと複数年ライセンス契約を結び、AI活用の基盤を始めると発表した。ユーザーは楽曲を制作できる。 この契約はSpotify、Nvidia、KlayとのAIライセンス契約や、Udioと開発中のAI音楽基盤に加わる。

   アーティストが参加するかどうかで、UMGの楽曲がどれだけ基盤に使われるかが決まる。発表資料には「今後数カ月から数年の追加製品とファン体験」の時期や価格は示されていない。

4. 4

   GPT‑Live‑1がAPIで提供開始、毎分0.05ドル

   OpenAIがAPIでGPT‑Live‑1を公開。聞くことと話すことを同時にこなす単一モデルで、フロントエンド音声層の価格は毎分0.05ドル。指示追従性が向上し、カスタム音声や電話対応もサポートする。 遅延を生み途切れに弱いSTT―LLM―TTSの連結構成を置き換える。

   開発者が電話対応やカスタマーサポートで単一モデル方式を採用するかが試金石。カスタム音声の利用には営業への問い合わせが必要だ。

5. 5

   Apple、Siri音声データにアクセス不可と明言

   Appleは水曜iPhone Duo発表会でSiri Recap等のSiri Audio Intelligence機能とプライバシー文書を発表。 生音声はS11チップのSecure Exclaveで処理、保存されずwatchOS等もアクセス不可と説明。

   Secure Exclave分離と上書きバッファが録音非生成に依存。Digital Crown毎回ダブルタップ要。

6. 6

   Sunoがv6モデル発表、ワーナーらと協業

   Sunoはv6を3種展開。有料のPro／Premier向け旗艦版、実験的なv6-wild、全ユーザー向けの高速無料版v6-mini。 旧モデルを全廃しv6に移行。曲の一部編集、マッシュアップ作成、音声・画像・動画からの楽曲生成が可能に。

   訓練データの提供元は非公表。ワーナー、BMG、Believeとの提携が、ユニバーサルやソニーからの訴訟に耐えられるかが焦点。