音声・スピーチ

主要ニュース

1. 1

   NVIDIAの音声認識AI「Parakeet」が5倍高速化、Python不要で動作可能に

   開発者がNVIDIAの音声認識AI「Parakeet」をC++に移植し、Pythonやクラウドを使わずに動作させることに成功した。GPU上で最大5倍、CPU上でも1.86倍高速化を実現し、メモリ使用量も半分に削減された。23秒の音声クリップを6秒で処理できる性能を達成した。

   企業が自社サーバーで音声認識を高速処理できるようになり、音声会議の文字起こしやカスタマーサービスの自動化が効率化される。

2. 2

   ElevenLabsが音楽AI「Music v2」発表、1曲でオペラからメタルまで自然移行

   AIツール開発のElevenLabsが5月28日、音楽生成AI「Music v2」をリリースした。1つの楽曲内でオペラ、ヘビーメタル、ラップなどのジャンルを自然に切り替える機能と、楽曲の一部分のみを再生成できる機能を追加した。

   音楽制作者が様々な音楽ジャンルを組み合わせた複雑な楽曲を簡単に作成でき、映画やゲームのBGM制作の幅が広がる。

3. 3

   Spotifyがオーディオブック自動作成ツール開始、ElevenLabsのAI音声技術活用

   Spotifyが5月21日、ElevenLabsの音声AI技術を使ったオーディオブック作成ツールをリリースした。著者は独占契約を結ぶ必要がなく、生成したオーディオブックを他の配信プラットフォームでも販売できる。

   個人作家や出版社が人間の朗読者を雇わずに高品質なオーディオブックを制作でき、読書体験の選択肢が増える。

4. 4

   MOSS-TTS v1.5がリリース、多言語音声合成と声のクローン機能強化

   5月26日にオープンソースの音声合成AI「MOSS-TTS v1.5」が公開された。多言語対応が強化され、より安定した声のクローン機能を提供する。ゼロショット音声クローン（サンプル音声から即座に声を複製）や長時間音声生成が可能。

   個人開発者や企業が無料で高品質な音声合成システムを構築でき、ポッドキャストや教育コンテンツ制作が効率化される。

5. 5

   音声文字起こしの精度向上へ、複数AIモデル組み合わせパイプライン手法公開

   5月25日、音声認識の精度を向上させる手法が公開された。複数のAIモデル（Whisper、Qwen 3 ASR等）を組み合わせ、音声のノイズ除去、話者識別、大規模言語モデル（LLM）による誤り修正を段階的に実行する。

   会議の文字起こしや音声入力の精度が大幅に向上し、多言語での音声コンテンツが正確にテキスト化される。