音声・スピーチ

主要ニュース

1. 1

   DeepgramがAWS IAMの一時的な委任をSageMaker支援アクセスに統合

   DeepgramはAWS IAMの新機能である一時的な委任をサポートワークフローに統合し、Amazon SageMaker AIでDeepgramの音声AI モデルを実行している顧客を支援します。この統合により、Deepgramのエンジニアは、サポートチケットシステムから顧客のエンドポイントとログへの時間制限付き、スコープ限定のアクセスをリクエストでき、顧客は自身のIAMコンソールでリクエストを承認できます。 これにより、長期的な有効期間を持つクロスアカウントIAMロールの従来のモデルが置き換わります。従来のモデルでは定期的なプロビジョニングと監査の議論が必要でした。SageMaker AIサポートチケットの初期調査にかかる時間が数日から数分に短縮されました。これは顧客がスクリーンシェアをスケジュールするのではなく、IAMコンソールでアクセスを承認できるようになったためです。委任されたすべてのAPI呼び出しはAWS CloudTrailでDeepgramのパートナーアカウントIDでタグ付けされ、完全な監査証跡が残ります。

   統合を通じて発行された認証情報は12時間後に自動的に期限切れになり、顧客は期限切れ前いつでもアクセスを取り消すことができます。この統合には、有効なDeepgramサポート契約、SageMaker AIエンドポイントが実行されているリージョンで有効になっているAWS CloudTrailトレイル、およびSageMaker AIエンドポイントホスティング、Amazon CloudWatchログ、AWS CloudTrail、ネットワーキング用のAWSインフラストラクチャ料金が必要です（Deepgramはそのモデルに対して追加料金なしで14日間のトライアルを提供していますが、デプロイ開始時点からAWSインフラストラクチャのコストが適用されます）。

2. 2

   AWS元科学者がOpenAIとMetaを狙う、低価格音声AI新興企業を設立

   Amazonの元主席科学者Alex Smolaが設立したBoson AIは、競合他社の音声システムより大幅に低価格設計のスピーチ・ツー・スピーチモデル「Higgs RealTime」をリリースした。サンタクララの新興企業は7000万ドルを調達しており、中国の起業家Su Huaとシンガポール拠点のTemasekのベンチャーアーム傘下企業が支援者に名を連ねている。 音声AIはOpenAI、Meta、その他のリーダーが全二重システム（ユーザーが途中で割り込める自然な双方向会話を可能にする技術）を構築する主戦場となっている。Bosonは自社モデルが競合他社の10分の1のコストで利用できると主張しており、顧客サポート、営業、その他のエンタープライズアプリケーションにおける音声エージェント導入の経済性を大きく変える可能性がある。Smolaは金融、通信、医療、保険のクライアントをターゲットにしている。

   Bosonは資金が潤沢なライバルに直面している。Microsoftは最近新しい音声モデルの反復版を発表し、OpenAIは全二重オーディオモデルのファミリー「GPT-Live」をローンチしており、Metaはウェアラブル向けに最適化した「Muse Spark」をリリースしている。技術的な課題として遅延が残存しており、テキストチャットであれば1秒の遅延は許容可能だが、音声会話では支障をきたす。

3. 3

   音声AI監視ツール VoiceGateway 公開

   VoiceGatewayというオープンソースツールが公開されました。音声エージェント（LiveKit、Pipecat等）の内部動作を可視化し、STT（音声認識）、LLM（文章生成AI）、TTS（音声合成）の呼び出しごとにレイテンシ、モデルID、コストを記録します。 自社ホスト型の音声エージェントを運用する開発者にとって、モデル層での動作が見えなかったという課題を解決するツールです。単一の attach(session) 呼び出しで導入でき、コスト管理と性能監視が可能になります。

   MIT ライセンスで提供され、Docker で動作、ローカル SQLite に記録、DuckDB で分析。voicegw reconcile コマンドで実際のプロバイダー請求額と記録コストの照合ができます。

4. 4

   音声AI通話の実コスト、複数費用を合算する必要—開発者が計算機を公開

   あるエンジニアが、音声AI通話サービスの実際のコスト構造を分析し、オープンソースの計算ツールを公開しました。単なる従量課金ではなく、プラットフォーム手数料、音声認識、モデル利用、音声生成、SIP/PSTN、通話記録、失敗した通話、電話番号レンタルなど複数の費用を合算する必要があることが分かったとのことです。 音声AI製品は通常、1分あたりの単一価格で広告されていますが、実際の通話コストはそれより複雑です。特にリアルタイム音声変換モデルは入出力音声で別々の価格体系を持つ上、宛先国によってキャリア料金も変わるため、正確な原価計算は事業化を検討する企業にとって重要になります。

   開発者は計算機、国別SIP推定、レイテンシーデータ、Asterisk設定例、通話ログ診断ツールを含むAstroプロジェクトとして公開しており、計算式やデータソースはすべて公開されています。

5. 5

   ARIAの音声ネイティブ3D SOCプラットフォームが、ソース利用可能ライセンスで始動

   開発者がARIAをリリースしました。これはクラウド依存がなく、ローカルハードウェア上で動作する音声制御セキュリティオペレーションセンター（SOC）です。このプラットフォームは「信頼ラダー」システムを採用しており、AI自律性は実績を通じて獲得される必要があり、即座に取り消すことも可能です。GitHub、AWS、Okta、Snyk、Azure AD、VirusTotal、Elastic Securityのコネクタが統合されています。コードはBusiness Source License 1.1の下で、ソース利用可能（オープンソースではない）です。エンジニアリング監査が公開されており、どのサブシステムが本番環境対応で、どれがデモ段階かが詳細に説明されています。 多くのセキュリティツールは行動を優先し、その後で信頼を求めます。ARIAはこれを逆転させ、自律的アクション許可を与える前に人間の承認またはトラッキングされたパフォーマンスを必須としています。第三者のSaaSへのテレメトリ送信が違法な規制環境では、このプラットフォームはコードレベルでソブリンティを強制します。ローカルモデルパスはクラウドAPIキーが存在していても、プロンプトをループバック範囲外や非プライベートIP範囲に送信することを拒否します。単一オペレータは音声、3D空間インターフェース、またはテキストを通じてナビゲートでき、すべてのアクションが監査証跡に記録されます。

   本製品は活発な単独開発下にあり、本番環境向けの堅牢化がなされていません。一部がデモ段階とラベル付けされています。主な課題には、真のローカルテキスト音声変換エンジン（現在はクラウド呼び出し）、マルチテナント分離、CI/CDオートメーションが含まれます。クイックスタートにはNode.js 22以上のみが必要で、オプションとしてOllamaが利用可能です。デスクトップアプリとコンテナ化サーバーオプションが利用可能です。ファイルパスと行番号を含む完全なモジュールステータスはROADMAP_AND_LIMITATIONS.mdで公開されています。

6. 6

   OpenAI、ChatGPTに音声制御機能

   OpenAIは木曜日にChatGPTデスクトップアプリをアップデートし、ChatGPT Voiceに対応させた。ユーザーは音声コマンドでAIエージェントを操作し、コンピュータ上のタスクを実行できるようになった。この機能はChatGPT-Liveの音声モデルを使用し、ChatGPT WorkとCodexの両方で機能するほか、Webサイト、アプリ、およびmacOSではAppshopsを経由して画面コンテンツにアクセスできる。 デスクトップ版は今月上旬にリリースされたスマートフォン版より機能が充実している。複雑な複数ステップのコマンドを音声で指示でき、ChatGPTと対話的にやり取りして確認を取ることができる。OpenAIのデモでは、開発者が単一の音声コマンドでスレッド作成、プルリクエスト作成、問題のデバッグをChatGPTに指示する様子が示された。これは音声制御が開発者とオフィスワーカーのマシンとの相互作用を大きく変える可能性を示唆している。

   ロールアウトは木曜日から全世界で実施される。ユーザーはiOSからリモートアクセス経由でCodexのChatGPT Voiceにもアクセスできる。Anthropicも同様にClaudeの音声モードをアップデートし、OmniusモデルのOpus、Sonnet、Haikuで、Gmail、Calendar、Slack、Notion、Canvaのタスクに対応させた。