音声・スピーチ

主要ニュース

1. 1

   MOSS-TTS 1.5が英語での声複製で最高品質を達成、より安定した音声生成が可能に

   OpenMOSSチームが6月2日に発表したMOSS-TTS 1.5は、英語での声の複製（ボイスクローニング）技術において、従来のモデルを上回る品質を実現した。多言語対応が強化され、言語タグを指定することでより自然な音声合成が可能になった。

   今後、音声アシスタントやナレーション作成ツールで、より自然で人間らしい音声が利用できるようになる可能性がある。

2. 2

   ElevenLabsが音楽生成AI「Music v2」を発表、1曲内でオペラからメタルまで自然に切り替え

   ElevenLabsが5月28日に発表したMusic v2は、単一の楽曲内でオペラ、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られるAI音楽生成システム。楽曲の特定部分だけを再生成する「インペインティング」機能も追加された。

   音楽制作者やコンテンツクリエイターが、複雑なジャンル変化のある楽曲を簡単に作成できるツールが利用可能になった。

3. 3

   NVIDIAの音声認識AI「Parakeet」が高速化、従来の5倍速で音声をテキスト変換

   開発者がNVIDIAの音声認識モデルParakeetをC++言語に移植し、従来のPython版と比べてGPU上で最大5倍、CPU上でも1.86倍の高速化を実現した。メモリ使用量も半分に削減され、リアルタイムでの音声認識が600倍速で処理できるようになった。

   会議の議事録作成や音声入力システムがより高速で動作し、待ち時間なしで音声がテキストに変換されるようになる。

4. 4

   多言語音声認識の精度向上を目指す改良パイプラインが登場、ノイズ除去と話者識別を組み合わせ

   AI開発者が5月25日に、従来の音声認識システムの精度を向上させる処理パイプラインを公開した。音声の前処理（ノイズ除去、無音部分での分割）、複数の音声認識モデルの組み合わせ、話者識別、LLM（大規模言語モデル）による誤り修正を統合している。

   会議録や多人数での会話の音声認識が、従来より正確になり、騒がしい環境でも使いやすくなる。

5. 5

   バイリンガル音声合成の課題が浮き彫りに、英語と韓国語混在での自然な発音に苦戦

   言語学習アプリ開発者が5月25日に報告したところによると、英語の説明と韓国語の例文が混在するテキストの音声合成で、自然な発音を実現するのが困難だという。Azure Cognitive Servicesを使用しても、多言語対応モデルでは韓国語がアメリカ英語的な発音になってしまう問題が発生している。

   言語学習アプリや翻訳ツールで、混合言語の音声読み上げ機能の改善が今後の課題となっている。