音声・スピーチ

主要ニュース

1. 1

   ElevenLabsが音楽生成AI「Music v2」を発表、1曲でオペラからメタルまで自在に変化

   音声AI企業のElevenLabsが5月28日、アップグレード版の音楽生成AI「Music v2」をリリースした。1つの楽曲の中でオペラ、ヘビーメタル、ラップなど異なるジャンルを滑らかに切り替えられる機能と、楽曲の特定部分だけを再生成する「インペインティング」機能を搭載している。

   音楽制作者やコンテンツクリエイターが、複雑な編集作業なしで多様なジャンルを組み合わせた楽曲を簡単に作れるようになる。

2. 2

   英語音声クローンで最高品質の「Moss TTS 1.5」が登場、従来モデルを上回る

   6月2日、オープンソースの音声合成モデル「Moss TTS 1.5 8B」が発表され、英語での音声クローン技術において現在最高の品質を実現したと報告されている。Fish Audio S2 ProやQwen 3 TTSなど既存の音声クローンモデルを上回る性能を示し、多言語対応や長時間音声生成も可能。

   個人でも高品質な音声クローンができるようになり、ポッドキャストやオーディオブック制作のハードルが大幅に下がる可能性がある。

3. 3

   NVIDIA音声認識「Parakeet」のC++版が登場、処理速度5倍向上でPython不要に

   5月31日、開発者がNVIDIAの音声認識モデル「Parakeet」をC++で動作するよう移植したと発表した。Pythonを必要とせず、GPU上で最大5倍、CPU上でも量子化により1.86倍の高速化を実現。メモリ使用量も2倍削減され、リアルタイム処理で600倍速での音声テキスト変換が可能。

   音声認識アプリの動作が大幅に軽くなり、スマートフォンや組み込み機器でもより高速で正確な音声入力が可能になる。

4. 4

   多言語学習アプリで音声合成の課題浮上、韓国語と英語の自然な読み上げが困難

   5月25日、言語学習アプリ開発者から、英語と韓国語を混在した文章の音声合成で課題があると報告された。Azure Cognitive Servicesの多言語音声では韓国語にアメリカ訛りが生じ、音声切り替え方式では文章中で不自然な停止が発生している。

   語学学習アプリのユーザーは、正確な発音を学ぶ際により多くの制約に直面する可能性がある。

5. 5

   音声認識の精度向上へ複数手法組み合わせパイプラインが有効、開発者が手順公開

   5月25日、音声認識の精度向上を目指す開発者が、複数のモデルと前処理・後処理を組み合わせたパイプラインを公開した。ノイズ除去、音声分割、話者識別、LLM（大規模言語モデル）による誤り修正を組み合わせることで、多言語・ノイズ環境での認識精度が大幅に改善されると報告している。

   オンライン会議や音声メモアプリの認識精度が向上し、雑音の多い環境でもより正確な音声入力が期待できる。