音声・スピーチ

主要ニュース

1. 1

   初音ミクと不気味な空間の共鳴

   この記事は、ヤマハの歌声合成ソフト「Vocaloid」が、日本のアーティストによって不気味で曖昧な雰囲気を生み出すために使われてきた経緯を探る。東京真中氏の「Brain Rot」のミュージックビデオは「Backrooms」ミームに触発された映像が特徴で、映画『Backrooms』は全世界で4億ドル以上の興行収入を記録している。 Vocaloid、特に2007年にクリプトン・フューチャー・メディアが発表した初音ミクは、「Backrooms」の主流化に先立ち、リミナルスペースの不気味な美学やSNS中毒といったネット時代の不安を表現する文化的ツールとなっている。日本の映像・音楽制作者は、ネット時代の不安を描く表現手法として Vocaloid やリミナルスペースを用いる機会が増える可能性がある。

   21歳のケイン・パーソンズ監督による映画『Backrooms』が今週日本公開される。Vocaloidの影響とともに、このバイラルな成功は、リミナルスペース美学への主流の関心の高まりを示唆している。

2. 2

   SoundHound AI株、1年で25%上昇と予測

   SoundHound AIの株価は現在約7ドルで、52週間のレンジの下限に近い水準にある。過去12か月で6ドル未満から22ドル超の間を変動してきた。筆者は今後1年程度で株価が約25%上昇すると予想するが、その道筋は依然として不安定かもしれない。 SoundHound AIの音声AIプラットフォームは、人々が車やデバイスと対話したり、人間の従業員なしでビジネスを行うことを可能にする。同社は自動車分野からレストラン、ホスピタリティ、カスタマーサービスへと事業を拡大してきた。進行中のLivePerson買収（企業価値約2億5000万ドル）により、フォーチュン100企業のうち25社を顧客に加えることになる。経営陣は、統合後の企業が2027年に3億5000万ドルから4億ドルの収益を生み出す可能性があると考えている。国内の音声AI活用企業は、買収による顧客基盤拡大の恩恵を受ける可能性がある。

   筆者の強気シナリオでは、2027年の収益がガイダンス範囲の中間である3億7500万ドルに達し、株価を2027年予想収益の12倍で評価すると、時価総額は約45億ドルとなり、仮定上の基準値35億ドルから約25%の上昇余地がある。ただし、SoundHound AIはまだ収益化しておらず、投資家は評価額をどの程度織り込むか注意が必要だ。

3. 3

   AI音声詐欺で45億円被害、元警部が警告

   詐欺事件に詳しい元警視庁捜査官は、会社役員を装ったAIを使った音声詐欺が横行し、被害額が45億円に達していると警告する。 生成AIの進化で本物と偽物の声の区別が難しくなり、経営層が電話だけで判断を迫られ、他の方法で身元を確認しないまま騙される危険が高まっている。国内企業の経営層は、AI音声詐欺による被害に遭う可能性がある。

   記事は2026年に向けた最新の音声詐欺ツールや手口を紹介し、企業がこうした進化する脅威にどう対応すべきかの指針を示す。

4. 4

   音声AIで調理現場をハンズフリー操作

   アドバンスト・メディアとAWS Japanが、セントラルキッチン向けに音声AIとAIエージェントでレシピ操作をハンズフリー化するアーキテクチャを発表した。AmiVoiceの音声認識とAmazon Bedrock AgentCore、Strands Agentsを組み合わせ、「次へ」「戻る」などの音声指示で工程を進められる。 調理現場では両手がふさがり、衛生手袋を外してのタブレット操作が作業中断や衛生リスクを招いていた。本ソリューションは音声で在庫減算や原材料チェック、工程メモを自動記録し、データを構造化して蓄積することで、管理者の可視性向上と経営判断の根拠提供につなげる。国内のセントラルキッチン運営企業では、調理作業の効率化や衛生リスク低減につながる可能性がある。

   AIエージェントが「玉ねぎがない」といった発話から代替食材を提案し、表記ゆれ（玉ねぎ/タマネギ/オニオン）も吸収する。さらに、調理工程ごとの時間をアプリで計測し、ダッシュボードで可視化する機能も備える。

5. 5

   Meta、新音声認識モデル公開

   Metaは、Meta Superintelligence Labs（MSL）が開発した初のリアルタイム音声認識モデル「Muse Voice Transcribe」を発表した。9月1日からMeta Model APIで提供され、料金は1時間あたり0.18ドル。 このモデルは20人以上の話者を識別でき、1時間を超える音声も後処理なしで処理。ストリーミング認識、話者分離、エンドポイント検出を単一モデルで実現する。70以上の言語で訓練され、日本語を含む25言語がリリース時に検証済みで、コードスイッチングにもネイティブ対応。

   Metaは、Artificial Analysisのストリーミング音声認識と公開話者分離ベンチマークで1位を主張。最終文字起こしの単語誤り率は3.1%、発話終了から0.16秒の遅延で、Cartesia Ink-2（3.4%）やElevenLabsのScribe v2 Realtime（3.6%）を上回る。Mac版Meta AIとMuse Codeにも音声入力機能として統合されている。

6. 6

   ウィナンプ、AI音楽訴訟拡大 6社追加

   ウィナンプ・グループ傘下のJamendo SAは、NVIDIAに対する米連邦訴訟を修正し、正式な送達が完了した。第一回審問は2027年1月12日に予定されている。別件では、JamendoはSunoに対する訴訟を取り下げ、近日中により包括的な内容で再提訴する方針だ。 Jamendoは、AI開発における音楽コンテンツとデータの無断使用をめぐる争いを拡大している。NVIDIAとSunoに加え、自社のコンテンツやデータを使用したとみられるテクノロジー・AI企業をさらに6社特定し、すでに一部には接触済みだ。国内の音楽著作権を扱う企業や団体は、AI企業への権利行使がさらに広がる可能性がある。

   Jamendoは商業的解決を最優先としている。過去の使用に対する対価の支払いと、将来の使用に向けたライセンス契約やパートナーシップを求めており、交渉が決裂した場合はNVIDIAとSunoのケースと同様に権利行使に踏み切る構えだ。