DeepgramがAuraを発表：リアルタイム音声合成APIでAIが即座に対話

自動音声のカスタマーサポートに電話をかけ、不自然な沈黙の後にロボットのような声が返ってきてストレスを感じた経験は誰にでもあるはずです。

音声認識で知られるスタートアップのDeepgramは3月12日、リアルタイムテキスト読み上げAPIであるAuraを発表しました。大規模言語モデルと連携し、コールセンターなどの対話型AIエージェントに自然な声を与えることを目指しています。

0.3秒未満で発話を開始する低遅延設計

これまで肉声に近い高品質な音声モデルは計算コストが高く、生成に時間がかかりました。一方で生成が速いモデルは機械的な不自然さが目立ち、自然な会話の成立を妨げていました。

Deepgramの共同創業者兼最高経営責任者であるScott Stephenson氏によると、発話の正確さに加え、極めて低い遅延と手頃な価格が揃わなければ、LLM利用料がかさむビジネス現場には導入できません。

Auraは音声の出だしまで通常0.3秒未満という極めて速い応答速度を実現しています。LLMが回答を生成する1秒弱の時間と合わせても、人間同士の対話に近いテンポを保てます。

価格設定は1000文字あたり0.015ドルです。これはGoogleのWaveNetやAmazon PollyのNeural音声の0.016ドルを下回っており、アマゾンの上位プランと比較すると大幅に安価に設定されています。

自社開発モデルの強みと見え隠れする課題

Auraは現在約12種類の音声モデルを提供しています。声優と協力して独自に構築したデータセットを用い、すべて自社内で学習を行いました。

Stephenson氏は、低遅延と精度、低価格を両立させるため、創業初期の4年間は製品を急がず基盤インフラの構築に専念したと明かしています。

実際の試用では発話までの圧倒的なスピードが際立つ一方、特定の単語でやや不自然な発音が見られるケースもありました。

なぜ重要か

電話対応の自動化やリアルタイム音声アシスタントを開発している企業にとって、Auraは今すぐ検証に値する選択肢といえます。特に応答のラグがユーザー離脱につながる対話シナリオでは、大幅な改善が期待できます。

私たちは、Deepgramが表現力の過度な追求や音声クローンといった派手な機能よりも、応答遅延と利用コストという実用上のボトルネック解消に狙いを定めた点を賢明だと評価しています。発話開始を0.3秒以下に抑えたことで、LLM側の思考時間に余裕が生まれます。

また、GoogleやAmazonといった大手クラウド事業者が寡占してきた音声市場において、より低価格かつ高速な代替案を提示した意義は小さくありません。クラウド各社の価格戦略や性能競争に直接的な圧力をかけることになります。

ただし、選べる声の種類が現時点で十数種類に限られている点は、多様なブランディングを求める用途では物足りなく映る可能性があります。テストで散見された発音のばらつきを含め、実運用での安定性は事前に十分な検証が必要になりそうです。