音声・スピーチ

主要ニュース

1. 1

   Cohere、アラビア語音声認識モデル公開 方言や混合言語に対応

   Cohereが「Cohere Transcribe Arabic」という20億パラメータのオープンソース音声認識モデルを公開しました。Apache 2.0ライセンスの下でHugging FaceおよびCohere APIを通じて利用可能です。 アラビア語の方言の多様性、アラビア語と英語の二言語混合、コード・スイッチング（異なる言語の混用）、専門用語といったアラビア語音声認識の固有の課題に対応するよう設計されています。

   人間による評価では、Cohere Transcribe ArabicがWhisper Large V3および標準のCohere Transcribeモデルを総合品質、方言の忠実性、コード・スイッチングの点で上回りました。

2. 2

   Anthropic、トランプ政権と対立 政治的配慮を拒否

   Anthropic は Trump 政権から相次ぐ措置を受けています。4月には Pentagon が同社を「サプライチェーンリスク」と標的指定し、2週間前には Mythos と Fable AI モデルへの輸出規制が発動されました。同じ時期に OpenAI は政府の要請で最新モデル GPT-5.6 の広範な公開を見送っています。 Anthropic は他の大手テック企業と異なり、White House への政治的配慮や献金戦略をほぼ行っていません。Meta の Mark Zuckerberg や Amazon の Jeff Bezos など多くの企業が Trump 支持者の経営人事や献金で敵対を避けている中、Anthropic CEO の Dario Amodei は過去に Trump を「封建領主」と呼んでおり、敵意的な関係が続いています。政権内で会社を露骨に批判する官僚も複数いるため、予定中の IPO や事業展開が阻害されるリスクが高まっています。

   Anthropic は企業価値 $965 billion（約150兆円） に評価されており、近い時期の IPO 申請が予定されています。Trump 政権側は同社に対して他企業にはない明確な敵対行動を展開しており、会社の政治的生存戦略が今後の株式市場評価を左右する可能性があります。

3. 3

   Netflix、ジーン・ワイルダーのAI音声で「ウィリー・ウォンカ」実写競技番組を制作

   Netflixが「Wonka's The Golden Ticket」という実写競技番組を制作し、ナレーションにAI音声生成企業ElevenLabsと協力してジーン・ワイルダーのAI生成音声を使用しています。ウィルダーの家族の同意を得て制作されており、番組は9月23日に配信予定です。 Netflixはマイケル・ケインやスタン・リーの音声再現でも同社と協力しており、故人の音声をAI技術で復活させる手法を複数の制作で展開していることが示唆されます。これは実在する人物の音声利用が家族の許諾で可能になることを示す事例とみられます。

   番組は9月23日にNetflixで配信開始され、12人のゴールデンチケット当選者とその選んだパートナーが参加。9月30日に二部構成の最終決戦が予定されています。

4. 4

   機械学習研究者、Pocket TTS論文の実装で学習課題に直面

   Reddit の機械学習コミュニティで、研究者が Kyutai Labs の Pocket TTS 論文を自分で実装しようとしているが、訓練・ファインチューニングコードが非公開であるため、独自実装に取り組んでいます。 実装者は LJSpeech データセット（単一話者）と LibriSpeech クリーンサブセットを使用して小規模パラメータで試験していますが、フロー・マッチング損失が約 0.20 MSE に留まり、推論時に訓練セット内のテキストでさえ意味のある出力が得られていません。スケジュール済みサンプリングやガウシアンノイズの追加など複数の改善手法を試みても問題が解決していない点が、実装の難しさを浮き彫りにしています。

   EOS 損失が非常に低い値（10のマイナス乗レベル）に達しているにもかかわらず、モデルが幻覚や同じフレーズの重複を生じるなど、損失値と実際の推論品質の乖離が課題として報告されています。

5. 5

   AI音声ナレーション、ElevenLabsより優れた選択肢を模索

   Hacker Newsのユーザーが、アニメーション制作向けのAI音声ナレーションについて相談を投稿しました。ElevenLabsを試したものの感情表現が平坦で、キャラクターの一貫性に問題があったとのことです。 動画・アニメ制作など、感情豊かなナレーションが必要な用途では、既存のAI音声生成ツールの限界を感じるクリエイターが増えている可能性があります。$75で人間の声優に依頼した結果も満足できなかったという状況は、現在の選択肢（AI・人間双方）に満たない部分があることを示唆しています。

   投稿者は40行の台詞を処理する必要があり、Seedance 2.0の15秒制限では対応できませんでした。感情表現と一貫性を両立できるツールが業界で求められている状況が浮かび上がっています。

6. 6

   低資源言語向けAI翻訳・音声パイプライン「NagaTranslate」

   インドのナガランド州の少数言語（ナガメーズ語、アオ語、セマ語など）向けに、翻訳と音声処理を統合したAIシステム「NagaTranslate」が開発されています。テキスト翻訳にはLLM（文章を理解・生成するAI）APIを使用し、音声認識にはWhisper、音声生成にはVITSを活用しています。 これらの言語は主に口頭で伝わってきた低資源言語で、標準的な学習用データがほぼ存在しないという課題を抱えています。開発者はこうした厳しい制約下でAI技術を適用する方法を試行しており、デジタル化が進む地域でのデータ不足に対する実践的なアプローチとなっています。

   初期段階ではNLLB（No Language Left Behind）モデルでの微調整を試みましたが、その後LLM APIへの移行を進めています。技術的なフィードバックを求めており、プロジェクトは継続開発中です。