音声・スピーチ

主要ニュース

1. 1

   ElevenLabsがAI音楽生成「Music v2」発表、1曲でオペラからメタルへジャンル変更可能

   音声AI企業ElevenLabsが5月28日、音楽生成AI「Music v2」を発表した。1つの楽曲内でオペラ、ヘビーメタル、ラップなど異なるジャンルへスムーズに移行でき、楽曲の一部分だけを再生成する機能も追加された。

   音楽制作者やコンテンツクリエイターが、複雑な編集作業なしに多様な音楽スタイルを組み合わせた楽曲を作成できるようになる。

2. 2

   Spotify、ElevenLabs技術使用のオーディオブック自動作成ツールを開始

   Spotifyが5月21日、ElevenLabsのAI音声合成技術を活用したオーディオブック作成ツールを開始した。著者は独占契約に縛られず、生成したオーディオブックをどのプラットフォームでも販売できる。

   個人著者や出版社がナレーター費用をかけずにオーディオブックを制作でき、より多くの書籍がオーディオ形式で利用可能になる。

3. 3

   中国のMOSS-TTS v1.5、多言語音声合成と声質クローニング機能を強化

   中国のOpenMOSSチームが5月26日、音声合成AI「MOSS-TTS v1.5」を公開した。多言語対応の音声合成と声質クローニング（元の声を真似る機能）の安定性が向上し、より自然な音声生成が可能になった。

   多言語コンテンツ制作者や教育アプリ開発者が、より自然で安定した音声コンテンツを作成できるようになる。

4. 4

   開発者間で音声認識精度向上の議論活発化、Whisperを超える技術模索

   開発者コミュニティで、OpenAIの「Whisper Large V3 Turbo」を上回る音声認識（音声を文字に変換する技術）の精度を求める議論が活発化している。特に多言語対応やノイズ環境での認識精度向上が課題となっている。

   会議の議事録作成や音声入力の精度が向上し、より実用的な音声認識サービスが登場する可能性がある。

5. 5

   LongCat-Video-Avatar 1.5発表、音声から人物動画を自動生成

   中国Meituanが5月23日、音声入力から人物の動画を生成する「LongCat-Video-Avatar 1.5」を発表した。Whisper-Largeエンジンを採用し、より自然な口の動きと長時間動画の安定生成を実現した。

   バーチャルプレゼンテーションや教育コンテンツ制作で、実際に撮影せずに人物が話している動画を作成できるようになる。