音声・スピーチ

主要ニュース

1. 1

   新しい音声クローンAI「Moss TTS 1.5」が英語で最高性能を達成

   OpenMOSSチームが開発した音声合成AI「Moss TTS 1.5」が、従来の「Fish Audio S2 Pro」や「Qwen 3 TTS」を上回る音声クローン性能を実現した。多言語音声合成、コード切り替え、発音制御などの機能も備えている。

   今後、より自然で正確な音声クローン技術がアプリやサービスで利用できるようになり、音声アシスタントやオーディオブック制作の品質が向上する可能性がある。

2. 2

   NVIDIA音声認識AI「Parakeet」がPython不要で600倍高速化を実現

   開発者がNVIDIAの音声認識モデル「Parakeet」をC++に移植し、Python環境なしで動作するよう改良した。GPU上で23秒の音声を約6秒で処理でき、元のPyTorchより最大5倍高速化した。

   音声認識機能を搭載したアプリやデバイスの処理速度が大幅に向上し、リアルタイムでの音声入力や文字起こしがよりスムーズになる。

3. 3

   ElevenLabsが音楽生成AI「Music v2」でジャンル混合技術を発表

   ElevenLabsが音楽生成AI「Music v2」をリリースし、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自然に切り替える技術を実現した。特定の部分だけを再生成する「インペインティング」機能も搭載している。

   音楽制作者やコンテンツクリエイターが、従来では困難だった複雑なジャンル混合楽曲を簡単に作成できるようになり、新しい音楽表現の可能性が広がる。

4. 4

   多言語・騒音環境での音声認識精度向上のパイプライン手法が公開

   AI開発者が多言語・騒音環境での音声認識精度を向上させるパイプライン手法を公開した。音声の前処理、適切なモデル選択、話者識別、LLMによる誤り修正を組み合わせて高精度な文字起こしを実現している。

   会議録音や動画字幕制作で、騒がしい環境や多言語が混在する状況でも正確な文字起こしが可能になり、業務効率が向上する。

5. 5

   美団が音声駆動アバター生成AI「LongCat-Video-Avatar 1.5」を公開

   中国の美団が音声からリアルなアバター動画を生成するAI「LongCat-Video-Avatar 1.5」を公開した。Whisper-Largeを音声エンコーダーに採用し、より自然な唇の動きと長時間動画生成を実現している。

   バーチャル会議やオンライン教育で、音声に合わせて自然に話すアバターが利用でき、より臨場感のあるコミュニケーションが可能になる。