音声・スピーチ

主要ニュース

1. 1

   Synthesia、記者の初のアバターを製作

   企業価値40億ドルのデジタルアバター新興企業Synthesiaが、ニューヨーク支社でTechCrunch記者のインタラクティブなアバターを作成。元記事のみで学習。 アバターは報道の質問に答え、Synthesiaの動画・音声・言語モデルで稼働。AIクローンが企業広報や報道業務を担う未来を示す。

   米企業でアバター利用が広がるかは信頼と受容にかかる。記者はZ世代の同僚はデジタルツインに慣れないと予想。

2. 2

   マクドナルド、AIドライブスルー「Archy」公開

   マクドナルドが英語とスペイン語に対応するAIドライブスルー「Archy」を公開。初期試験店舗で90%超の精度と顧客の好反応を得たとし、低迷する売上と急落した株価の立て直しを狙う。 音声AIで売上低迷を反転できるかへの賭け。バーガーキングが反発を受け自社AIドライブスルーを見直す中、定着を決めるのは精度ではなく顧客の受け入れかもしれない。

   バーガーキングのChakri Somisetti氏によると、客がbotと話したがらず車で立ち去る事例があった。マクドナルドがそれを避けられるか、公表された90%超の精度が本格運用でも保たれるかに注目。

3. 3

   AWS、SageMakerで音声クローン

   AWSはQwenチームのQwen3-TTS-12Hz-1.7B-BaseをAmazon SageMaker JumpStart経由でリアルタイムエンドポイントに導入する方法を詳説した。 選んだ話者の声で、10言語のいずれでも、わずか数秒の参照音声から音声を生成できるようになった。モデルの再学習や大規模な学習データセットの収集は不要だ。

   導入が約24 GBのGPU内に収まるかだ。talkerとcode2wav間でGPUメモリを分割することが鍵。KVキャッシュのトークン予算56,928トークンに注目。

4. 4

   SonyとUMG、Sunoを再提訴

   SonyとUniversal Music GroupがSunoを再び提訴。v6モデルは、YouTubeなどから無許諾で取り込んだ楽曲で学習した旧モデルのユーザー出力で訓練されたと主張。 SonyとUMGはSunoとライセンス契約を結んでいない。旧モデルの出力で新モデルを学習させれば著作権問題が消えるのか、単に繰り返すだけなのかが問われる。

   Sunoがv6は本当にゼロから作ったと示せるかが焦点。訴状は、そうでなければモデルは無許諾データ上に構築され続けると主張している。

5. 5

   Google「Call for Me」をテスト

   TechCrunchによると、Googleは「Call for Me」をテスト中。米国のPixel 11所有者で、有料のGeminiサブスクリプションとベータ版Phoneアプリを持つユーザーが対象。 Geminiは承認済みの個人情報を伝えて予約や日程変更、在庫確認ができ、ユーザー自身の番号で電話メニューや保留待ちも処理する。

   Googleは実際の会話には多くのニュアンスが伴うとして小規模に開始。ベータ版がこうしたケースをどう処理するかが対象拡大の鍵となる。

6. 6

   AWS、SageMaker AIにWhisperX容器

   AWSがWhisperX Deep Learning Containerを公開。 単語単位で話者ラベル付きの文字起こしが必要なチームは、SageMaker AI上でパイプラインを実行でき、セットアップを短縮できる可能性がある。

   記事はGPU AMIのピン留め、スケーリング、コスト管理を重要な本番運用上の詳細として挙げており、これらがコンテナを大規模に実運用できるかどうかの試金石となる。