音声・スピーチ

主要ニュース

1. 1

   AI音声エージェント（音声で会話するAI）の応答速度が実用性を左右する重要要素に

   顧客対応などでAI音声エージェントを使う企業が、LuMay Voice AgentやVoxentis.ai、OpenAIベースのシステムなど複数の技術を比較検討している。自然な会話を維持するには遅延の少なさが最重要で、特に教育用AIでは1.5秒を超えると学生が集中を失うことが判明。

   コールセンターや教育サービスでAI音声アシスタントを使う際、技術選択で応答速度を最優先に考える必要がある

2. 2

   完全オフライン動作のAI音声システムが開発され、プライバシー重視のユーザーに朗報

   開発者がSilero VAD（音声検出）、Parakeet STT（音声認識）、Supertonic TTS（音声合成）を組み合わせ、インターネット接続やGPU不要で動作するシステムを構築。全ての処理がローカルマシンで完結し、音声データが外部に送信されない。

   機密性の高い業務や個人利用で、音声データを外部に送らずにAI音声機能を使えるようになる

3. 3

   ElevenLabsが英国政府と提携し公共サービスへの音声AI導入を開始

   AI音声合成技術を開発するElevenLabsが英国政府と覚書を締結し、ロンドン本社も拡張。公共サービスでの音声AI活用を推進する。同社は自然な音声を生成する技術で知られ、多言語対応も可能。

   今後、英国の公共機関での問い合わせや手続きで、より自然な音声AIアシスタントが導入される可能性がある

4. 4

   音声合成技術の性能比較が透明化、46のモデルをブラインド投票で評価

   TTS（音声合成）技術の客観的評価システムが構築され、利用者がモデル名を知らずに音声品質を投票できるシステムが稼働開始。46のモデルが参加し、ELOレーティング（対戦ゲームで使われる実力評価システム）で順位付けされる。

   音声合成技術を選ぶ際、実際の音声品質に基づいた客観的な比較データを参考にできるようになった

5. 5

   Moss TTS 1.5が英語音声クローニング（声の複製）で最高性能を達成

   2026年6月時点で、Moss TTS 1.5 8Bモデルが英語での音声クローニング分野でFish Audio S2 ProやQwen 3 TTSを上回る性能を実現。少量の音声サンプルから特定の人の声を再現する技術が向上している。

   ナレーションや音声コンテンツ制作で、より自然で正確な音声クローニングが可能になり、制作効率が向上する