
何が起きたか
10行の台本と「有能な秘書の口調で」の指示を1回でGeminiのTTSモデル(音声Laomedeia)に送ると、62.7秒の音声は冒頭約15秒が指示文の読み上げで、台本部分は47.7秒だった。
なぜ重要か
faster-whisperによる文字起こしは音声と台本の一致を自動確認する工程に既に組み込まれており、指示文の混入は一致率を下げるため検出できた。
こういう要約が、毎朝あなたのメールに届きます。
この試みは、小さく繰り返されてきたワークフローから生まれた。AI役員のペルソナと毎日会議をするエンジニアが、その様子を約1分の動画にまとめている。これまで音声は手作業で作っており、Geminiで生成した動画から音声だけを抜き出していたため、台本から音声までが一発で完結したことはなかった。TTS APIを直接呼び出す案はCTO役のAIから出たもので、台本から音声へ一度で進める点が魅力だった。
その後の展開を形づくった設計上の選択が2つある。モデルを1行ごとに10回呼び出すのではなく、10行すべてを1回の呼び出しで送った。行ごとに呼ぶと声の調子が呼び出しごとに変わりやすいと考えたためで、行ごとのタイミングは後から文字起こしで復元する方針だった。また、モデルが口調の指示を台本と一緒に受け取ったため、両方を読み上げるテキストと解釈し、62.7秒のファイルの先頭に約15秒の指示が入り、削除後に台本部分が47.7秒残った。
この失敗が黙って見過ごされず検出できたのは文字起こし工程のおかげだ。台本との一致率90%以上を自動確認する用途が既に予定されており、指示文の混入はそのスコアを下げる。課題も残る。フロー全体はまだ承認待ちの草案で、フィールドを分ける修正は未検証だ。
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
Softsuは、AI電話自動応答サービスMirai AIがASPIC AI・クラウドアワード2026のAI支援業務系ASP・SaaS部門でAX貢献賞を受賞したと発表した

phonon:31m-enを試したところ、英語の短文音声が0.2〜0.3秒、長文(約17.4〜17.8秒)の音声が0.6〜0.8秒で生成され、メモリ使用量は約90〜126MBだった

Amazon Pollyの音声クローンがゲート付きリリースとして一般提供開始

OpenAIはChatGPTの全プランでウェブ、デスクトップ、iOS、Androidに対応するLive Dictationを世界展開し、10分の音声入力制限を撤廃する

StudyPocketは11月19日、iOS/Android向け「AI面接対策 - 声で練習する模擬面接」を公開した

保育園に通う息子が動物や恐竜が1対1で戦う動画にハマり、筆者に質問を浴びせている
