音声・スピーチ

主要ニュース

1. 1

   豪州、AI生成曲をチャートから除外

   オーストラリアの音楽業界は来週から、完全にAIで生成されたトラックを公式チャートから除外する。人間が作詞し、リードボーカルと主要楽器を演奏したAI支援楽曲は一部対象となる。 マドンナの「ライク・ア・プレイヤー」のAI生成バージョンが豪州トップ20に16週間留まり、最高2位を記録したことを受けた動きだ。業界は無許諾のAI出力を報酬の対象にすれば、録音音楽の基盤が損なわれると主張する。国内の音楽配信プラットフォーム運営者にとって、AI生成曲のチャート除外基準が海外の動きに追随する形で導入される可能性がある。

   AI生成曲はARIA賞の対象からも外れる。この規則は国際レコード産業連盟の新原則に沿ったもので、チャート入りには「実質的に人間が制作した」トラックであることが求められる。

2. 2

   AIホストがレストランの電話注文をAmazon Connectで対応

   AWSが、レストランの電話受付を自動化する音声注文システムの構築手順を公開。着信応対、メニュー案内、受け取り場所の検索、注文内容の読み上げ確認までをAIが担当する。使用するのはAmazon Connect、Amazon Lex V2（Amazon Connect Agentic Voice対応）、そしてAnthropic Claude Haiku 4.5を搭載したAmazon Connect AIエージェント。 電話注文は店頭対応中のスタッフを中断させ、保留時間や手書きミスの原因となる。このシステムならアプリやWebサイト、サインイン不要で、電話番号にダイヤルするだけでAIが通話を完結。スタッフは対面サービスに集中できる。国内の飲食事業者は、電話注文の受付をAIに任せてスタッフを接客へ振り向けられる可能性がある。

   ソリューションはAWS CDKで単一スクリプトとして完全展開され、サンプルリポジトリはGitHubで公開。前提条件はAWSアカウント、Claude Haiku 4.5用のBedrockモデルアクセス、電話番号クォータ。推奨リージョンは米国東部（バージニア北部）。

3. 3

   Apple Music、AI制作曲にラベル導入へ

   Apple Musicは年内に、「かなりの部分」をAIで制作した楽曲に「Made With AI」ラベルを追加する。レコードレーベルと販売元は、3月に導入されたAI Transparency Tagsを使って該当曲をタグ付けする必要がある。 SpotifyがAI生成アーティストプロフィールを「AI Personas」と表示し、TidalがAI音楽をロイヤルティ対象から除外する中での動きだ。RIAA、IFPI、グラミー賞、SAG-AFTRAなどの業界団体も最近、同様の表示を提唱している。SunoやUdioといったAI音楽生成サービスの台頭を受けてのことだ。日本の音楽配信関係者には、AI制作曲の開示義務が新たに課される可能性がある。

   Apple Musicのオリバー・シュッサーVPは、アップロードされた楽曲の「3分の1以上」が「完全なAI制作」だと述べたが、ラベルの表示時期は未定。アップロード者にはAI使用の開示義務がある。

4. 4

   AIオーディオストーリーをソフトウェアエンジニアが開発

   あるソフトウェアエンジニアがSchmaudioを開発した。リスナーの選択がリアルタイムでストーリーを変える双方向オーディオストーリー生成プラットフォームである。ChatGPTでストーリーを執筆し、ElevenLabsで音声合成を行い、ストーリー全体を事前構築する代わりにリスナーがそこに到達した時点でのみエピソードを生成する。 従来の双方向ストーリーには実質的な限界がある。分岐パスが指数関数的に増加するため、人間の著者が全ての結果を執筆することは不可能である。生成AIはこの制約を排除し、同じエピソードから始めた2人のリスナーが選択に基づいてますます異なる冒険を経験できるようにする。また別のパスを再生して探索できる。日本の視聴者は、生成AIを活用した双方向オーディオストーリープラットフォームにより、従来の固定的なストーリー構成の制約を超えた、選択肢に基づいて分岐するコンテンツを体験できる可能性がある。

   3つのストーリーがschmaudio.netで複数言語により無料で利用可能だ。The Alibi（大人向けミステリー）、The Map Awakens（若年リスナー向け冒険）、Who Comes Tonight?（幼い子ども向け）である。開発者はAIモデルの改善と双方向ストーリーテリング構造の習得により、プラットフォームが本来の可能性に達するかどうかが決まると指摘している。

5. 5

   高性能音声AI、ベンチマーク最適化の兆候

   研究者が広く使われているオープンソースの音声認識モデル11個をテストしたところ、最も高スコアのいくつかが、VoxPopuliとLibriSpeechベンチマークから不正確な文字起こしを再現していることが判明した。音声がそれと矛盾していたり、数字が削除されていたり、スペルの変形が聞こえるものと異なっていても再現していた。一部のモデルはどのベンチマークで評価されているかを示す音響手がかりに依存しているようにも見えた。 公開ベンチマークは音声モデルが人間レベルのパフォーマンスを示すと益々示しているが、これらのスコアは実際の問題を隠すことができる。モデルは実際の文字起こしの改善ではなく、テスト自体への最適化を行っている可能性がある。この研究は分析したVoxPopuliテストクリップの40%で潜在的な参照エラーを指摘し、すべての参照単語の約3%に影響していた。ベンチマーク最適化動作を示すモデルは、不正確な文字起こしを18～30%の頻度で再現していた。最も低い報告エラー率を持つモデルがこの動作を示す可能性が最も高かった。日本の企業が音声AI モデルを導入する際、ベンチマークのスコアが実際の文字起こし精度を正確に反映していない可能性がある。

   研究者は音声認識のベンチマーク最適化を測定するため3つのテストを導入した。コンセンサス不一致（既知の文字起こしエラーに対するテスト）、マスク付きエンティティ検索（数字をサイレント化し、モデルがそれでも出力するかを測定）、正書法の切り替え（モデルが音声をサポートするのではなくベンチマークの参照トランスクリプトからのスペル規則に合わせるかをチェック）。これらのツールは将来のベンチマーク設計が実世界のパフォーマンスをより適切に反映するのに役立つ可能性がある。

6. 6

   Appleがコードスイッチング音声認識を改善

   Appleの研究者は、反復的疑似ラベル付けトレーニング手法を初めてマンダリン・英語コードスイッチングASR（自動音声認識）に適用した。この手法は3つのフェーズで構成される：ラベルなしデータからの疑似ラベル生成、2段階のバイリンガルモデルトレーニング、そして単一の発話内で両言語を混在させる音声のパフォーマンス向上のための反復的改善。 コードスイッチング（同じ話し言葉の文章内でマンダリン語と英語を交互に使用すること）は、トレーニングデータが不足しているため、音声認識システムにとって困難だった。疑似ラベル付けの手法は、大規模なラベルなしデータセットを活用して半教師あり学習教材を作成し、手動転写されたコードスイッチング音声をそれほど必要としなくても、バイリンガルスピーカーの音声認識精度を向上させる可能性がある。

   論文はこの手法の有効性を実証しているが、導入タイムラインや商用利用可能性についてはまだ明記していない。この研究はAppleの機械学習公開資料に掲載されており、同社が今後のASR製品にこの技術の応用を検討していることが示唆される。