音声・スピーチ

主要ニュース

1. 1

   言語識別が多言語音声AIを誤り率10.4%に

   英語とフランス語の制御されたHuBERT設定で、補助言語分類器と言語別k-meansターゲットの2つの介入により、音素ABX誤り率が11.6%から10.4%に低下し、単言語の10.8%を下回った。 多言語音声モデルは一般に各言語で単言語モデルに劣っていたが、これは多言語学習の追加コストが不可避ではないことを示唆し、言語間の共有はほぼ維持されている。

   利得の大半は言語識別を最初の訓練イテレーションに導入したときに得られた。後からまたは繰り返しの介入は効果が小さく、言語ごとの分離が増えたため、タイミングが決定的要因のようだ。

2. 2

   Microsoft音声AI、精度首位で100ms遅延

   Microsoft AIがMAI-Transcribe-2-Streamingを発表。Artificial Analysisで首位、60言語対応、中間結果を100ミリ秒強で返す。 100ミリ秒未満の中間結果により、相手が話し終える前に音声エージェントが応答できる。自動電話やチャットエージェントが生の会話のように感じられる可能性がある。

   低遅延と音声クローンが実運用で通用するか。両音声モデルは数秒の音声から声を複製でき、安全策が組み込まれている。あるテストでは、4,000人の参加者の約半数が声を実在の人物のものだと思った。

3. 3

   SunoのSpeechが公開ベータ版に

   SunoがWebとモバイルでSpeechの公開ベータ版を開始し、スクリプトやプロンプトからナレーションとBGMを一緒に生成できるようにした。 Speechは多くの訴訟を招いてきた音楽生成器以外への多角化を狙うSunoの一手で、生成音声を別々の読み上げ出力ではなく音楽と一つのトラックにまとめる。BGMはオフにでき、音声のみも可能だ。

   Sunoは「ベータは本当にベータだ」として、ユーザーの声をもとにSpeechを改善し続けるとし、最大長は約8分。

4. 4

   Microsoft、音声1時間54セントのAI公開

   Microsoftが初のストリーミング文字起こしモデルMAI-Transcribe-2-Streamingを公開。音声1時間あたり54セント。60以上の言語に対応。 話し手が話し終える前にリアルタイム字幕を表示したりリクエストの処理を始めたりする音声エージェントを開発者が構築できる。Microsoftは自然で人間らしい会話に必要だとしている。

   コスト削減はOpenAIやAnthropicなどのプロバイダーを置き換えられるかにかかっている。Suleyman氏はBloombergに目標を語った。

5. 5

   Microsoft AI、初のストリーミング文字起こしモデル発表

   Microsoft AIはMAI-Transcribe-2-Streamingを公開。100ミリ秒強で暫定結果を返し、精度1位。60言語対応、音声1時間0.54ドル。 100ミリ秒強で結果を返すモデルなら、相手が話している間に音声エージェントが処理を始められる。Microsoftはこれを狙う音声エージェントの基盤とみている。

   精度1位はArtificial Analysisのストリーミング文字起こし評価によるもの。0.54ドルの時間単価は年末までの導入価格で、通常料金は変わる可能性が高い。

6. 6

   Microsoft、文字起こしAI首位投入

   Microsoftは2026年10月1日にMAI-Transcribe-2-Streamingを公開。Artificial Analysisの調査でリアルタイム文字起こしモデル中最小のエラー率だった。 Microsoft初のリアルタイム文字起こしモデルは、競合より高精度・高速と位置づけられ、同等精度のモデルより遅延も短い。

   精度と遅延の評価は第三者機関Artificial Analysisによるもので、順位は検証方法に左右される。Microsoftは価格や提供時期を明らかにしていない。