音声・スピーチ

主要ニュース

1. 1

   MOSS-TTS 1.5が英語音声クローニングで最高性能を達成、ローカルでも動作可能

   OpenMOSS-TeamがMOSS-TTS 1.5を6月に公開し、英語の音声クローニング（人の声を真似して音声を生成する技術）で現在最高の性能を実現した。従来のFish Audio S2 ProやQwen 3 TTSを上回る品質で、多言語対応や長文音声生成も可能。

   個人のパソコンで高品質な音声クローニングができるようになり、動画制作やポッドキャスト作成がより簡単になる。

2. 2

   AI家庭教師システムで音声応答遅延1.5秒が集中力の限界と判明

   AI家庭教師システムの開発者が、学習者の集中を保つには音声応答開始まで1.5秒が限界であることを発見した。どのAIモデル（GPT-4oやClaudeなど）を使うかよりも、応答速度の方が学習効果に大きく影響することが明らかになった。

   オンライン学習アプリや語学学習ツールの品質向上につながり、より効果的なAI学習サポートが受けられるようになる。

3. 3

   ElevenLabsがMusic v2を発表、オペラからメタルまでジャンル混在楽曲を生成

   音声AI企業ElevenLabsが5月にMusic v2を発表し、1つの楽曲内でオペラ、ヘビーメタル、ラップなど異なるジャンルをスムーズに切り替える音楽生成が可能になった。特定の部分だけを再生成する「インペインティング」機能も追加。

   音楽制作の敷居が下がり、プロでなくても複雑で独創的な楽曲を簡単に作成できるようになる。

4. 4

   NVIDIA Parakeetがggml形式に移植、Python不要で音声認識が高速化

   開発者がNVIDIAの音声認識モデルParakeetをC++版に移植し、Pythonを使わずにCPUやGPUで動作するようにした。NeMo（元の実装）より最大5倍高速で、メモリ使用量は半分に削減。

   音声認識アプリがより軽量で高速になり、スマートフォンやノートパソコンでもリアルタイム音声文字起こしが快適に使えるようになる。

5. 5

   多言語音声合成で英韓混在読み上げの音質改善が課題に

   韓国語学習アプリ開発者が、英語と韓国語が混在した文章を自然に読み上げるTTS（音声合成）システムの構築に苦戦している。Azure Cognitive Servicesの多言語音声では韓国語がアメリカ訛りになり、言語別音声切り替えでは不自然な間が生じる問題が発生。

   語学学習アプリの音声品質向上が進み、より自然な発音でネイティブに近い学習体験が提供されるようになる。