音声・スピーチ

主要ニュース

1. 1

   Adobe、AI音声ツールとGemini統合を発表

   Adobeは3つのAI音声ツール—Generate Music（動画用ロイヤリティフリー音楽）、Generate Speech（スクリプト→ナレーション変換）、Generate Sound Effects（シーン音声）—をFireflyプラットフォーム全体で公開し、すべて商用利用が可能。Firefly AI Assistantは無料の日次生成を提供開始し、AdobeはGoogle Gemini Omni Flashモデルを統合した。このモデルは動画、音声、画像、テキスト入力に対応し、Kling AI、Luma AI、Runwayなどの既存の第三者モデルと並行して利用できる。 音声ツールはFireflyの創作スイートをテキストと画像生成の範囲を超えて拡張し、クリエイターは単一プラットフォーム内でビデオサウンドトラックとナレーションを制作できるようになり、ライセンス上の懸念もない。Gemini Omni Flashの多モーダル入力（動画、音声、画像、テキスト）はFireflyが対応可能な創作タスクの幅を広げ、コンテンツプロデューサーのワークフロー効率化を実現する可能性がある。日本のコンテンツクリエイターがAdobe Fireflyで音声ナレーションや効果音を商用利用可能な形で単一プラットフォーム内で制作できるようになる可能性があります。

   Adobeは「Create Storyboard」と「Create Brand Kit」がFireflyの最頻使用機能の一部であることを報告しており、統合型創作ツールへのニーズを示唆している。音声ツールの採用状況は、ユーザーが同様のペースでこれらの機能を導入するかを示す指標となる。

2. 2

   Adobe、Fireflyに音声生成機能を追加 音楽・スピーチ・効果音を商用利用可

   AdobeはFirefly（同社のAI創作ツール）に音声生成機能を一般向けに提供開始した。音楽、スピーチ、効果音を生成できるツールを搭載し、生成される音楽はオリジナル・著作権フリーで、スピーチはFirefly Speechまたはエレベンラボ（ElevenLabs）のモデルで利用者が声・速度・感情をコントロール可能。 生成音声はすべてFirefly Studioで制作品質・商用利用可として提供され、追加購読不要であることから、コンテンツクリエイター向けの制作障壁を大きく下げる。一方、GoogleのLyra 3やOpenAI、Stability AIなど複数企業が音声生成ツールを展開中であり、Adobeもこれに対応する必要があった。日本国内のコンテンツクリエイターが、追加費用なしに著作権フリーの音楽・音声・効果音を生成できるようになり、動画制作などの制作負担が軽減される可能性がある。

   Generate Musicはユーザーの動画の長さと雰囲気に合わせた楽曲を生成し著作権リスク排除。Generate Speechは脚本を流暢な自然な音声に変換。効果音ツールはプロンプトとコンテンツのタイミング・エネルギーに応じてカスタム効果音を制作。6月のアップデートに続く展開。

3. 3

   Suno、MIDI対応で本格DAWに進化 Studio 2.0公開

   Suno が Studio 2.0 をリリースし、MIDI対応、オートメーション、ビルトイン・エフェクト（ディストーション、ディレイ、リバーブ、コンプレッション、EQ）、チャットボット機能を追加しました。ユーザーはMIDIデータをプロンプトとして使い、コードを入力してSunoに音声化させたり、メロディを拡張したり、B-パートを生成させることができます。 MIDIはSunoが「最もリクエストされた機能」であり、モダンなDAW（デジタルオーディオワークステーション）の前提条件です。チャットボットは現在のセッションの音楽コンテキストを理解するため、ユーザーが「このボーカルトラックをよくしてほしい」と指示すればリバーブ、コンプレッション、EQを自動適用するなど、制作工程の自動化が進み、従来の手作業が減る可能性があります。

   カスタムエフェクトプラグインをAIで生成できる機能も追加され、生成したエフェクトはアカウントに保存されて再利用可能です。ただし、Suno Studioはまだサードパーティ製プラグインやVSTに対応していないため、ビルトインシンセサイザー（2オシレーター・ウェーブテーブル形式）に限定されています。

4. 4

   Twitch配信者、Amazon AI学習をオプトアウト

   Twitchがセキュリティとプライバシー設定にトグルを追加し、配信者は自分のコンテンツ（ライブ配信、VOD、クリップ、チャット、チャンネルのテキストと画像）をAmazonの生成AI モデルの学習に使用させないようにできるようになった。このトグルは発見時点でデフォルトで「オン」に設定されていた。 自分のコンテンツがAmazonのテキスト、音声、画像、動画生成モデルの学習に使われることに不安を感じている配信者は、その使用を防ぐことができるようになった。キャプションやセーフティツールなど、他のAI対応Twitch機能はオプトアウトの影響を受けない。このような動きにより、配信者は自分のコンテンツの特定の用途をコントロールできるようになるが、オプトアウトしてもAmazonとTwitchがTwitchのプライバシー通知に記載されている他の目的でコンテンツを使用することは阻止できない。

   このトグルはTwitchの設定のセキュリティとプライバシータブで利用可能になった。重要な点として、配信者が他のユーザーのストリーム内のチャットに参加する場合、そのチャットを学習に使用できるかどうかはチャンネルオーナーのオプトアウト設定によって決定される。個々の配信者は他のチャンネルで参加したチャットを一方的に保護することはできない。

5. 5

   Sandbar、音声リングで3600万ドル調達

   音声対応リングStreamの開発企業Sandbarが、Adjacent とKindred Venturesが主導した2300万ドルのシリーズAを含め、合計3600万ドルを調達した。同社のCEO Mina Fahmiが、TechCrunch Equityポッドキャストでプロダクトの設計哲学について語った。 多くの音声ハードウェアデバイスは市場での牽引に苦労してきた。Fahmiは、常時リッスン型ではなくプッシュトークデザインを通じて、人間が確実にコントロール下に置くことが、社会的受容性と失敗に終わったAIウェアラブルのお墓場を避けるためのカギだと主張する。この設計選択は、メインストリームユーザーが実際に採用する可能性のあるものについての異なる賭けを示している。

   Fahmiの2019年にMetaが買収した神経インターフェース企業CTRL-labsでの経験が、人間駆動型インプットについての思考を形作った。Sandbarは既存デバイスの上塗りではなく、完全にカスタムハードウェアを構築する「苦々しいほど厳しい」道を選んだ。この賭けは、その差別化がStreamをテック愛好家層からメインストリーム層へ抜け出すのに役立つかどうかについてのものである。

6. 6

   ソフトウェアエンジニアがAI駆動のインタラクティブオーディオストーリープラットフォームを構築

   ソフトウェアエンジニアがSchmaudioを開発した。このプラットフォームはリスナーの選択がストーリーをリアルタイムで変える、インタラクティブなオーディオストーリーを生成する。ChatGPTでストーリーを執筆し、ElevenLabsで音声合成し、全ストーリーツリーを事前に構築するのではなく、リスナーが到達した時点でのみ新しいエピソードを生成する仕組みだ。 従来のインタラクティブストーリーには実践的な限界がある。分岐経路が指数関数的に増えるため、人間の著者がすべての可能な結末を執筆することは不可能だ。生成AIはこの制約を取り除き、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体験でき、別ルートを繰り返し試行できるストーリーを1人で創作できるようにする。

   現在schmaudio.netで無料公開されているストーリーは3つで、複数言語対応している。The Alibi（大人向けミステリー）、The Map Awakens（若い世代向けアドベンチャー）、Who Comes Tonight?（幼い子ども向け）だ。開発者は、基盤となるAIモデルの改善とインタラクティブストーリー構造の知見が、このプラットフォームが潜在力を最大限に発揮できるかどうかを左右するとコメントしている。