音声・スピーチ

主要ニュース

1. 1

   NVIDIA Parakeetが音声認識を大幅高速化、従来システムより最大5倍速く動作

   NVIDIAの音声認識モデル「Parakeet」が、従来のPythonベースシステムから純粋なC++に移植され、最大5倍の高速化を実現した。23秒の音声を約6秒で処理でき、1時間の音声なら6秒程度で文字起こしが完了する。

   会議の録音や講義の文字起こしが格段に速くなり、リアルタイムでの音声入力システムの応答性が向上する。

2. 2

   ElevenLabsが音楽生成AI「Music v2」を発表、オペラからメタルまで単一楽曲で表現可能

   音声AI企業ElevenLabsが5月28日に「Music v2」を発表し、一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機能を実現した。楽曲の特定部分だけを再生成できる「インペインティング」機能も追加された。

   音楽制作者や動画クリエイターが、複雑なジャンル変化を含む楽曲を簡単に作成できるようになり、コンテンツ制作の幅が大きく広がる。

3. 3

   AIチューター開発で判明、音声応答速度が1.5秒超えると学生の集中力が切れる

   AIチューターシステム開発者の研究で、使用するAIモデルの性能より音声応答の開始時間が学習効果に重要であることが分かった。音声認識→AI処理→音声合成の一連の流れで1.5秒を超えると、学生はシステムが故障したと判断し集中力を失う。

   オンライン学習やAI英会話アプリの設計において、高性能なAIより応答速度を重視する必要があり、学習体験の質が大きく左右される。

4. 4

   中国発音声合成AI「MOSS-TTS v1.5」が英語での音声クローニング性能でトップレベルを達成

   OpenMOSSチームが開発した音声合成AI「MOSS-TTS v1.5」が、英語での音声クローニング（特定の人の声を模倣）において他のモデルを上回る性能を示している。多言語対応と長時間音声生成も可能で、オープンソース（誰でも無料で使用可能）で公開されている。

   個人でも高品質な音声合成技術にアクセスでき、ポッドキャストやオーディオブック制作、語学学習アプリの開発コストが大幅に下がる。

5. 5

   音声認識精度向上への新手法、複数システム組み合わせで多言語・雑音環境に対応

   AI開発者らが音声認識の精度向上のため、音声の前処理（ノイズ除去、音量調整）、複数の音声認識システムの併用、AI言語モデルによる誤字修正を組み合わせた手法を公開した。特に多言語が混在する環境や雑音の多い状況での認識率が向上している。

   国際会議やカフェなど雑音の多い場所でも、音声入力やリアルタイム翻訳の精度が向上し、より実用的に使えるようになる。