何が起きたか
AWSパートナーのCartesiaが、State Space Modelsを基盤とする音声合成のSonicと音声認識のInkで100ms未満の遅延を実現し、AWS上で利用可能だと明らかにした。
なぜ重要か
最初の音声バイトが約90msで届くよう設計され、AI音声対話を人間の会話並みの応答性にできる。顧客対応アプリの不自然な間を減らせる可能性がある。
誰に効くかコンタクトセンターのエージェント、遠隔医療ツール、アクセシビリティインターフェースなどリアルタイム音声機能を開発するチームは、Cartesiaのモデルを自社のAWSアカウント内に導入でき、遅延とデータ主権をより細かく制御できる。
こういう要約が、毎朝あなたのメールに届きます。
Cartesiaの手法は音声AIの根本的な課題に向き合う。従来のTransformerベースの音声合成は系列全体を処理してから出力するため、高品質は高遅延になりがちだった。State Space Modelsは一定のメモリ使用量で系列を逐次処理し、アーキテクチャを変えずに真のストリーミングを可能にする。Sonicはこれを活かし、テキスト入力全体を受け取る前に音声生成を開始する。Inkはネイティブのターン検出で発話の終わりを識別し、別途の音声活動検出を減らす。両モデルは人間の会話に期待される応答性の実現を目指し、マネージドモデルパッケージか自己管理コンテナでAWS上に用意されることで、運用管理と導入までの時間のバランスを選べる。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
歌声フォト生成ツール11製品の比較でfreebeatが総合1位に選出
OLA PARTY JAPANのヨイトキは10月4日、AI仲人による音声面談を全ユーザーに開放した
チームはViiTor Liveを公開した
Google DeepMindは2026年10月27日、環境音や音楽、世界内の対話をネイティブに生成し、キーボード操作やテキストプロンプトで誘導できるリアルタイム世界モデルGenie 4を発表した
Google DeepMindは2026年10月27日、Genie 4を発表した
オープンソースのElevenLabs代替VoiceStudioがOmniVoiceを既定エンジンにWindowsで動作し音声クローンや吹き替え等に対応する
