音声・スピーチ

主要ニュース

1. 1

   Googleの Lyria 3.5、再生せずに楽曲セクションを編集可能に

   Google は音楽生成モデル Lyria 3.5 をリリースした。より自然な旋律、優れた歌詞、よりリアルなボーカルを生成する。このモデルは Google Flow Music を通じて利用でき、トラックの特定部分を編集したり短いメロディーを完全な楽曲に変換したりできる「Selective Section Painting」という新機能を備えている。再生を再開する必要がない。 再生プロセスを再開せずに個別セクションを編集できる機能により、ユーザーは音楽制作をより速く、より柔軟に行える。ユーザーはボーカル、ドラム、ベースといった特定要素のテンポと長さを微調整でき、最終出力に対してより高い創造的コントロールが得られる。

   楽曲の長さは30秒から3分の範囲。Google は Lyria 3.5 の学習データについて詳細を公開していない。一方、Lyria 3 は YouTube と Google が利用規約、パートナー契約、適用法に基づいて使用権を有する資料で学習されたことは開示されている。

2. 2

   OpenAI の GPT Transcribe が0.7ポイント向上も、ElevenLabs、Google、Mistral に後塵を拝する

   OpenAI は API 経由で音声認識モデルの GPT Transcribe と GPT Live Transcribe の2つを公開した。GPT Transcribe は事前録音オーディオをリアルタイムの約34倍の速度で処理し、GPT Live Transcribe はリアルタイムストリーミングを低遅延で扱う。新しい GPT Transcribe は単語誤り率3.31%を達成し、GPT-4o Transcribe を0.7ポイント上回り、価格は25%引き下げられて1分当たり0.0045ドルとなった。 OpenAI の音声文字起こしモデルは AA-WER ベンチマークで第4位にランク付けされ、ElevenLabs Scribe v2（2.3%）、Google の Gemini 3 Pro（2.9%）、Mistral の Voxtral Small（3%）に次ぐ。価格引き下げにより、OpenAI は1分当たり0.003ドルから始まる Mistral の Voxtral Transcribe V2 と競争力を持つようになり、OpenAI が競争の激しい音声認識市場での利益率の圧力に対応していることを示唆している。

   これらのモデルは文字起こしコンテキスト、キーワード、複数の入力言語としてテキストを受け付け、最近発表された Realtime モデル生成（GPT-Realtime-Whisper を含む）を補完する。技術的詳細は OpenAI の Transcription Guide で利用できる。

3. 3

   個人向けAI音声日記アプリ、プライバシー重視で開発

   開発者が自身の利用を想定し、音声入力とAI機能を備えた日記アプリ「Echologue」を製作しました。音声で日々の出来事を記録し、AIが自動でタグ付け・意味抽出・意味的検索を行い、「過去3ヶ月のハイライト」や「旅行中の感情」といった質問に答える仕組みです。 従来の日記アプリは継続が難しいという課題があります。このアプリは音声による手軽な記録と、プライベートな思いを安心して話せるよう全データを端末内に保存し、AIの推論処理には「ゼロデータリテンション」型のエンドポイント（記録を残さないサービス）を使用することで、ユーザーの完全な匿名性を確保しています。

   開発者は「毎日1分程度、または何か気になったときに話すだけ」という「ファイア・アンド・フォーゲット」方式を採用しており、メールアドレスなどの個人情報を一切要求していません。利用実態の把握も行わない設計になっています。

4. 4

   OpenAIが音声文字変換モデル「GPT-Transcribe」を発表

   OpenAIが音声文字変換モデル「GPT Transcribe」を発表した。完了した音声ファイル、ストリーミングされたファイルのトランスクリプト、WebSocket経由のリアルタイムセッションのコミットされたターンに対応し、非構造化コンテキスト、キーワードヒント、複数言語ヒントをサポートして、専門用語、多言語音声、コードスイッチングの文字変換精度を向上させる。 キーワードヒントと言語ヒント機能により、専門用語に対応した特殊な語彙や多言語環境に対応できることが、医療、法律、ソフトウェア開発など正確な用語が重要な分野での文字変換エラー削減につながる可能性がある。WebSocket経由のリアルタイムセッション対応は、バッチ処理に加えてリアルタイム文字変換の活用例も示唆している。

   発表では価格、利用可能時期、APIアクセス詳細、地域制限に関する情報が含まれていない。また、GPT Transcribeが既存の文字変換サービスとどう比較されるのか、あるいはタイトルで言及されているGPT-live-transcribeという別モデルが別途詳細に説明されるのかについても情報がない。

5. 5

   Fish Audio、5200万ドル調達

   パロアルト拠点のFish Audioは、ユーザー数800万人超、年間経常収益2100万ドルを生み出している企業で、火曜日にCoreline VenturesとCapital Todayが主導するシードラウンドで5200万ドルを調達した。同社は過去1年間に5つのモデルを公開しており、音声生成モデル4種類と音声テキスト化モデル1種類で構成されている。また1万5000以上の自然言語制御ライブラリを運営している。 AI音声生成は、表現力に富んだ合成音声を必要とするクリエイターや、カスタマーサポートと営業を自動化する企業にとってますます価値を持つようになっている。Fish Audioのオープンソースアプローチ（モデルの3つはオープンソース化され、最新のS2.1 Proは有料API経由でのみ利用可能）はインディーデベロッパーとビデオゲームデザイナーを引き付けており、HeyGenやSanasといった組織がそのエンタープライズAPIを利用している。同社はElevenLabs、WellSaid、Cartesiaを含む競合企業が存在する混雑した市場に直面している。

   Fish Audioは今年中に音声理解モデルをリリースする予定であり、音声間変換モデルも構築中である。同社は音声削除プロセスも自動化しており、クリエイターは音声サンプルまたは契約を送信することで、3分未満で不正な音声アップロードを削除できるようになった。これは同意に関する従来の懸念に対処している。

6. 6

   生成AI音声の無断使用に民事責任、法務省が認める

   日本の法務省の専門家委員会が月曜日、生成AIを用いた著名人の音声の無断使用について、有名人が自らのアイデンティティの商業的価値を管理できる法的保護である肖像権に基づいて民事責任を問えると定めた答申案を承認した。個人は侵害コンテンツの削除または損害賠償を要求できる。 声優をはじめとする関係者らは、これまで日本の裁判所がこうした権利について判示した例がなかったため、音声の無断使用について何が違法かを明確にするよう長年求めてきた。答申案は、オリジナルと完全に同一ではなくても、音質やスタイルが似ている生成AIの音声が侵害に当たる可能性があると明記している。これは営利目的の無断音声模倣の被害者にとって意味のある基準だ。

   法務省は専門家の意見を踏まえ、早ければ8月中に最終答申を公表する予定だ。答申案ではさらに、俳優の肖像から生成AIを使って性的画像を作成することが、肖像権と肖像使用権の両方に侵害すると明記し、より広い範囲の生成AIの害に対応している。