DeepL Voiceが音声to音声の同時通訳を正式提供

DeepL Voiceは2024年11月、リアルタイム音声翻訳サービスとして初めて発表された。ウェブ会議向けのDeepL Voice for Meetingsと、対面会話向けのDeepL Voice for Conversationsの2つに分かれている。これまでは音声をテキストに翻訳する機能だったが、音声to音声機能は2025年10月に開発中として披露され、2026年4月からアーリーアクセスによるベータ版として提供されてきた。正式提供は、テンポやイントネーション、ピッチ、話し方を翻訳音声に反映する新しいVoice AIモデルと同時に実現した。

会議向けでは、DeepLは従来の課題を解消する。ブラウザ版では、ユーザーが会議リンクをDeepLに貼り付け、翻訳ボットを手動で通話に送る必要があった。新しいWindows/Mac向けデスクトップアプリはZoom、Microsoft Teams、Google Meetのセッションを検出し、ワンクリックで接続する。対面利用では、グループ会話機能が仮想ルームを作成し、参加者はスマートフォンを1台回し渡すのではなく、各自の端末から最大20人まで参加できる。

DeepLは他のAIツールの中にも自らを位置づけている。22日に発表されたMCP対応により、Microsoft Copilot、ChatGPT、ClaudeがDeepLを呼び出し、社内用語集や独自ルールを適用した翻訳ができる。ユーザーがテキストをコピーして結果を貼り戻す必要はない。ハードウェアについてDeepLは、AIグラスを自社で作る計画はないとしつつ、音声翻訳APIによってデバイスメーカーが翻訳表示アプリをその上に構築する余地を残している。

目下の焦点は遅延だ。DeepL Voiceは現在、音声認識・翻訳・音声出力を3つの別モデルで順次実行しており、DeepLは入力を出力まで一括で処理する統合モデルを開発中。この統合モデルが実現するかどうかが、翻訳音声が自然な会話にどれだけ近く感じられるかを左右しそうだ。