音声・スピーチ

主要ニュース

1. 1

   ChatGPT VoiceがGPT-6に対応

   ChatGPT VoiceがOpenAIの新モデルGPT-6 Astra、Sol、Lunaで動作。メールやカレンダー、Slackなどのプラグインに初めてアクセス可能に。 世界で利用可能な音声機能が、会話を超えて日常業務を直接こなせるようになった。金融アプリの重複請求を見つけて取り消したり、決済ページ付きのウェブサイトを構築したりできる。

   ChatGPT Workのウェブ版とモバイル版でも音声が使え、話すだけで文書やプレゼン、表計算を作成できる。最新アプリ版で利用可能。コンピュータの使い方を変えるかは、リスク管理にかかっている。

2. 2

   Google、Gemini 3.8 Flash TTS音声モデルを展開

   GoogleはGemini 3.8 Flash TTSとFlash-Lite TTSをGemini APIとGoogle AI Studioで展開。 Flash TTSはゲームキャラクターやオーディオブック、ポッドキャストなど創作向け。Flash-Lite TTSは吹き替えや音声コンテンツ、音声エージェント向けの低コスト大量音声生成が狙い。

   新モデルのリージョナルエンドポイントは未公表。音色やピッチ、テンポ、アクセントを調整できるVoice Remixingもまだ利用できない。

3. 3

   YouTube MusicにAI新機能2種

   YouTubeは「Made On YouTube」で、YouTube Musicの「Ask Music」と毎週AI生成の「Your Podcast Lineup」を発表した。 日常的な言葉で聴きたい内容を伝えられるようになり、曲ごとに検索する必要がなくなる。おすすめ番組の音声プレビューも得られ、ポッドキャストを追いきれない加入者の発見が楽になるかもしれない。

   両アップデートは世界中のYouTube MusicとYouTube Premium加入者向けに近日提供予定だ。

4. 4

   NVIDIA、VoiceArenaで首位

   NVIDIAが1億パラメータモデルNemotron 3 Diarizationを公開。Diarization-BenchでDiarization Error Rate 14.72%を記録し首位。 話者ダイアリゼーションは会話で誰がいつ話したかをラベル付けし、会議や通話の文字起こしを要約やアクション項目に使えるものにする。

   VoiceArenaの結果は暫定で、Version 1評価と対になった統計分析の完了で変わりうる。14.72%のDERが維持されるかを見極めたい。

5. 5

   Alibaba、音声AI最大95%値下げ

   AlibabaのQwenが音声認識・音声合成・リアルタイム対話向けの5モデルからなるQwen-Audio-3.1を公開し、TTS約70%、Realtime約85%、ASR最大95%の値下げを実施。 5モデルのラインアップと値下げにより、音声認識・音声合成・リアルタイム対話が単一ベンダーからより安く高機能に利用できるようになり、開発者の選択肢を変えうる。

   値下げは大幅だが、本当の試金石は5モデルが実環境の音声で多言語・方言認識をどこまでこなせるか。Qwen Cloudやブログでのユーザー報告に注目。

6. 6

   YuE2、Sunoに対抗 ソニーHakkenも

   週次まとめが新しい生成AI技術5つを紹介。Sunoと比較される音楽生成のYuE2、膨大な論文から未知の科学的関係を予測するソニーのHakkenなど。 音楽生成も科学発見も、実験的なデモから名前を持つ競合製品へと移行しつつあり、これらの分野の利用者には選択肢の増加が見込まれる。

   まとめは名称を挙げるが、本文にはベンチマーク数値や価格、発売日がない。YuE2とHakkenが既存製品と直接比較できる成果を公表するかが試金石となる。