ElevenLabsが正式版へ移行、28言語対応の音声モデル「Multilingual v2」公開

自分の声を少し録音するだけで、AIがその声質のまま流暢な日本語や韓国語、アラビア語を話し始める。そんな技術が実用段階に入りました。

音声AIプラットフォームのElevenLabsは、ベータ版の提供を終了し、正式版への移行と同時に新基盤モデル「Eleven Multilingual v2」を公開しました。1月のサービス開始以来、同プラットフォームの登録ユーザー数は世界で100万人を突破したといいます。

28言語に対応、声の特徴と感情をそのまま保持

新モデルの最大の特徴は、テキストを入力するだけで約30種類の言語を自動認識し、感情豊かで自然な音声を即座に生成できる点です。

今回新たに対応したのは、日本語、中国語、韓国語、オランダ語、トルコ語、スウェーデン語、インドネシア語、フィリピン語、ウクライナ語、ギリシャ語、チェコ語、フィンランド語、ルーマニア語、デンマーク語、ブルガリア語、マレー語、スロバキア語、クロアチア語、古典アラビア語、タミル語などです。

これにより、従来の英語、ドイツ語、フランス語、スペイン語、イタリア語、ポーランド語、ポルトガル語、ヒンディー語と合わせて計28言語が利用可能になりました。

さらに注目すべきは、合成音声でもクローン音声でも、話者特有の音色やアクセントが全言語を通じて維持されることです。すでに提供されているプロ向け音声クローン機能と組み合わせれば、クリエイターは自分の声のまま28言語でコンテンツを発信できます。

同社によると、この技術は18カ月にわたる自社研究に基づくもので、文脈理解や感情伝達の仕組みを独自に構築したとのことです。すでにParadox InteractiveやStorytelなどの企業が導入しており、今後はユーザー同士が音声を共有して収益化できる仕組みも計画されています。

なぜ重要か

独立系のゲーム開発者や個人クリエイターにとって、海外展開のハードルは劇的に下がります。従来、ゲームや動画を多言語化するには各国の声優を起用する必要があり、膨大なコストがかかっていました。同一キャラクターの声質を保ったまま多言語展開できる価値は極めて高いと考えられます。

業界全体にとっても、音声合成の競争軸が単なる発話の明瞭さから、多言語を横断する感情表現とキャラクター性の維持へとシフトしたことを示しています。英語圏中心だった音声AI市場において、アジアや中東を含む28言語に一気に対応した動きは他社への強い牽制になるはずです。

一方で、高精度な音声クローンが多言語に拡大することに伴うリスクも無視できません。なりすましやディープフェイクへの悪用を防ぐため、同社は安全機能も同時に展開しているとしていますが、音声共有や収益化機能の導入に伴い、権利保護と悪用防止の運用体制が試されることになります。