音声AIのCartesiaが約6400万ドル調達、新モデル「Sonic 2.0」を公開

音声AIと会話するとき、最も不自然さを感じるのは返答を待つ「沈黙の1秒」です。人間同士の会話テンポから外れた途端、どれだけ賢い受け答えでも機械相手の作業に引き戻されてしまいます。

リアルタイム音声AIを手がけるスタートアップのCartesiaが、この遅延を過去のものにしようとしています。同社はベンチャーキャピタルのKleiner Perkinsが主導するシリーズAラウンドで6400万ドルを調達したと発表しました。あわせて新世代モデル「Sonic 2.0」の一般公開もスタートしています。

40ミリ秒の超低遅延と状態空間モデル

会話における人間の反応速度はおよそ200ミリ秒とされています。これを超える待ち時間が発生すると、スムーズな対話は成立しません。

今回発表されたSonic 2.0は、フルモデルで90ミリ秒、リアルタイム向け設定ではわずか40ミリ秒という驚異的なレイテンシを記録しています。さらに高速な合成を実現する「Sonic Turbo」も用意されました。

技術面での注目は状態空間モデル（State Space Architecture）の採用です。前世代と比べてモデルサイズを2倍に拡大しながら、処理速度と計算効率を同時に引き上げることに成功したと説明しています。

音声クローン機能も進化しており、複雑なアクセントや微妙な抑揚、語り口のスタイルを高精度に再現できます。コールセンターの応答システムやコンテンツの多言語ローカライズ、アクセシビリティ支援など、発音の正確さが求められる現場での実用性を高めました。

エンタープライズ基準とオンデバイス対応

Cartesiaは実験室での性能にとどまらず、企業導入に向けた足場固めを急いでいます。インフラは99.9パーセントの稼働率を維持し、SOC-2や米国の医療情報保護法であるHIPAAへの準拠も完了していると公表しました。

提供形態も柔軟で、開発者向けのクラウドAPIに加えてオンデバイス（端末側）での推論実行オプションも用意されています。Kar最高経営責任者は「今年は音声AIの年であり、あらゆる場所に普及する」と宣言しました。

調達した6400万ドルは研究開発とチーム拡充に充てられ、今後は音声チェンジャー機能や部分的な音声編集（インフィル機能）、ストリーミングアーキテクチャの高度化を進める方針です。

なぜ重要か

大規模言語モデルの知能競争が一段落しつつある中、私たちは対話AIの実用化における最大の壁が「音声の遅延」に移ったと考えています。40ミリ秒という速度は、相槌や自然な会話の割り込みを実現する上で決定的な数字です。

コールセンター向けエージェントや対話型デバイスを開発している事業者にとって、Sonic 2.0は今すぐ試す価値がある選択肢になります。SOC-2やHIPAA準拠をクリアしているため、顧客対応や医療分野への組み込みハードルが低い点も実用的です。

特にオンデバイス動作への対応は巧みな戦略と言えます。クラウド通信コストを抑えられるだけでなく、機密性の高い音声データを外部に出したくないエンタープライズの需要を捉えられるため、ElevenLabsなどの先行勢に対する強力な対抗軸になるはずです。

ただし、状態空間モデルを主軸にしたアプローチが、多種多様なアクセントや極端にノイズが多い実環境でどれほど安定した感情表現を維持できるかは未知数です。理論上の超低遅延を大規模な本番運用でブレずに発揮し続けられるかが、今後の評価を分けるポイントになります。