音声・スピーチ

主要ニュース

1. 1

   テンセントGander、8％でGPT超え

   テンセントのHunyuan Speechチームと大学の研究者がGanderを発表。処理を小脳と交換可能な脳に分ける。割り込み率は8％、GPT-Realtimeは13.5％。 Ganderの低い割り込み率は、会話と推論を分離すればGPT-Realtimeなどより音声アシスタントの邪魔感を減らせる可能性を示す。ただしタスク精度は最弱の競合をわずかに下回った。

   研究者はこの取り組みを初期段階と位置づけ、Ganderのスケールアップ方法は未解決の課題。テンセントはオープンソース公開プロセス完了後に重みと学習データを公開する予定。

2. 2

   マクドナルド、AIドライブスルーを再始動

   マクドナルドが米国の一部ドライブスルーでArchIQと音声アシスタントArchyの限定テストを開始。2024年に3年間稼働した類似システムを停止して以来となる。 旧システムは米国内約100店舗でドライブスルー注文を処理したが、失敗の原因は全体的な精度不足ではなく、自らの誤りを検知できなかったことだった。

   QSR Drive-Thru ReportによるとAIの注文精度は81％で、従業員に転送すると95％に上昇。成否はArchyがいつ停止して引き継ぐかにかかっている。

3. 3

   Treble、1800万ドル調達 音声AI検証を拡張

   アイスランドのTrebleがPaladin Capital Group主導で1800万ドルを調達した。2024年の1200万ドルに続き累計4000万ドル超。 Trebleは音声AIモデルの評価や合成データ生成を手掛けており、今回の資金で音声AI分野での基盤強化を狙うとみられる。

   調達資金の使途や物理AI分野への展開の成否が焦点となる。同社はAmazonやLogitechを顧客に持つ。

4. 4

   Spotify、AI楽曲の表示方針を転換へ

   Spotifyと業界団体がAI生成楽曲の表示・制限・禁止へ動き出した。New York Timesが2022年以降に約12曲のAI製楽曲が各種Billboardチャート入りしたと報じた後だ。 最大手の音楽ストリーミング平台は、AI利用開示の業界共通基準を策定中としながら態度を曖昧にしてきたが、これまで何も実施されていなかった。

   Spotifyが実際に表示・ブロックのツールを展開するかは、業界共通基準が議論から実施へ移るか、他平台が追随するかにかかっている。

5. 5

   Google、Gemini 3.8 Live公開

   Googleは9月15日にGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表し同日提供開始。 会話を続けながらバックグラウンドでタスクを実行できるため、手を使う作業や顧客対応でAI音声エージェントが実用的になる可能性がある。音声エージェント導入を検討する国内の顧客対応担当者にとって、会話しながらの作業実行が選択肢になりうる。

   Extended ThinkingのArtificial Analysis Speech to Speech Quality Index首位は独自採点。

6. 6

   Gemini 3.8、音声指数82.6で首位

   GoogleがGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを投入。バックグラウンドでのツール呼び出しに対応し、97言語をサポートする。 ほぼリアルタイムの推論とバックグラウンドでのタスク実行により、音声AIエージェントがより自然な会話を維持できる可能性がある。ただしGoogleのベンチマーク主張は独立検証されていない。日本語話者の音声AI活用では、自然な会話維持を要する用途ほど導入判断が変わりうる。

   音声入力は毎分0.005ドル、出力は毎分0.018ドルから。導入は、レイテンシ改善がコストに見合うか企業が判断するかにかかっている。