音声・スピーチ

主要ニュース

1. 1

   MOSS-TTS 1.5が英語音声クローン技術で最高品質を実現、無料で利用可能

   OpenMOSSチームが開発した音声合成モデル「MOSS-TTS 1.5」が、2026年6月時点で英語の音声クローン（声の複製）技術として最高品質を達成した。従来のFish Audio S2 ProやQwen 3 TTSを上回る性能を示している。

   声優やナレーターの仕事に影響を与える可能性があり、個人でも高品質な音声合成コンテンツを作成できるようになる。

2. 2

   NVIDIA Parakeet音声認識が600倍高速化、1時間の音声を6秒で文字起こし

   NVIDIA Parakeet音声認識技術が大幅に高速化され、従来のPyTorchベースの実行環境より最大5倍速く動作するようになった。23秒の音声クリップで600倍のリアルタイム処理が可能で、1時間の音声を約6秒で文字起こしできる。

   会議の録音や講演の文字起こしが瞬時に完了し、議事録作成やコンテンツ制作の効率が大幅に向上する。

3. 3

   ElevenLabs Music v2が異なる音楽ジャンル間の自然な移行を実現

   ElevenLabs が Music v2 を2026年5月28日にリリースし、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間を自然に移行できるAI音楽生成技術を実現した。特定の部分だけを再生成する「inpainting」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楽曲アレンジを簡単に作成でき、映画やゲームのBGM制作の効率が向上する。

4. 4

   AI家庭教師システムで応答速度が学習効果を左右することが判明

   AI家庭教師システムの研究で、音声応答の開始が1.5秒を超えると学習者の集中力が途切れることが明らかになった。音声認識から音声合成までの処理パイプラインで、各段階の遅延が積み重なることが課題となっている。

   オンライン学習アプリやAI英会話サービスの品質向上につながり、より効果的な学習体験が提供されるようになる。

5. 5

   多言語音声合成で自然な発音の実現が課題、Azure等でも改良が必要

   言語学習アプリ開発で、英語と韓国語を混在させた文章の音声合成において、自然な発音の実現が困難であることが報告された。Azure Cognitive Servicesの多言語モデルでも、第二言語の発音にアクセントの問題が残っている。

   語学学習アプリの発音練習機能の品質向上が期待され、より正確な発音指導が可能になる。