音声・スピーチ

主要ニュース

1. 1

   Sean Parker、Stability AIを音楽軸に再建

   Sean ParkerとPrem AkkarajuがStability AIを音楽ツール企業として再建中。8月下旬、Sony、Warner、Universalから7600万ドルの調達を発表。 音楽レーベルの支援とカタログ許諾は、AI音楽ツールをめぐる訴訟から協調への転換を示す。Stabilityはプロ用户の間で優位に立てる可能性がある。

   Parkerによると、次回アップデートではメロディーを口ずさんだりドラムパターンをビートボックスで入力したりしてAIを操作できるようになる。この機能が出荷され、音楽プロに響くかが試金石だ。

2. 2

   MSとLG、ThinQ ONに音声AI

   MicrosoftとLG ElectronicsがソウルでSpeech-to-Speech AIエージェントを発表。MicrosoftのVoice LiveをLGのThinQ ONに組み込む。 書き起こし→合成のパイプラインではなく直接音声を理解するため、応答中に割り込み意図を即座に切り替えられ、データベース相手の会話感が薄れる。

   LGは2026年内に既存ThinQ ONユーザー向けファームウェア更新を計画。提供時期が鍵で、韓国でのハブ価格は約172ドル。

3. 3

   Suno、音楽付き朗読「Speech」追加

   AI音楽生成のSunoが、入力したテキストを朗読とそれに合うBGMにして1曲にまとめる「Speech」を公開。製品責任者のJack Brody氏によると、少人数のグループで1カ月間テストした。 Sunoは詩の朗読や瞑想、寝かしつけの読み聞かせ向けと位置づけるが、ベータ版にはまだ不具合があり、モデルの学習方法も明かしていない。

   AI音楽生成への著作権批判が強まる中での公開だ。大手レコードレーベルはSunoを提訴し、ミュンヘンの裁判所もフェアユースを認めず同社に不利な判断を下した。

4. 4

   AIカバーは3ステップ、RVCはMITで更新継続

   AIカバーは原曲からボーカルを分離し、RVCなどで別の声に変換してから伴奏とミックスする3ステップで作る。RVCはMITライセンスで活発に更新中だ。 使うツールのライセンス次第で利用条件が大きく変わるため、ツール選びが導入の可否を左右するとみられる。

   声質変換ツールはアーカイブ化が進み、Seed-VCは2025年11月、so-vits-svcは2023年11月に更新停止済みである点が焦点。曲と声の権利確認が欠かせない。

5. 5

   言語識別が多言語音声AIを誤り率10.4%に

   英語とフランス語の制御されたHuBERT設定で、補助言語分類器と言語別k-meansターゲットの2つの介入により、音素ABX誤り率が11.6%から10.4%に低下し、単言語の10.8%を下回った。 多言語音声モデルは一般に各言語で単言語モデルに劣っていたが、これは多言語学習の追加コストが不可避ではないことを示唆し、言語間の共有はほぼ維持されている。

   利得の大半は言語識別を最初の訓練イテレーションに導入したときに得られた。後からまたは繰り返しの介入は効果が小さく、言語ごとの分離が増えたため、タイミングが決定的要因のようだ。

6. 6

   Microsoft音声AI、精度首位で100ms遅延

   Microsoft AIがMAI-Transcribe-2-Streamingを発表。Artificial Analysisで首位、60言語対応、中間結果を100ミリ秒強で返す。 100ミリ秒未満の中間結果により、相手が話し終える前に音声エージェントが応答できる。自動電話やチャットエージェントが生の会話のように感じられる可能性がある。

   低遅延と音声クローンが実運用で通用するか。両音声モデルは数秒の音声から声を複製でき、安全策が組み込まれている。あるテストでは、4,000人の参加者の約半数が声を実在の人物のものだと思った。