ElevenLabsがrabbitと提携：AI端末「r1」に極めて自然な音声を統合

CESで大きな話題を呼んだ手のひらサイズのAIデバイスが、ついに本格的な「声」を手に入れました。

音声AI大手のElevenLabsは3月27日、AIコンパニオン端末「r1」を手がけるrabbitとの提携を発表しました。r1のユーザーは本体のボタンを押して話しかけるだけで、ElevenLabsの高品質かつ低遅延な音声モデルによる自然な受け答えを体験できるようになります。

アクション指向AIと最先端音声の融合

rabbit r1は、アプリを個別に開いて操作する手間を省き、自然言語でタスクを完結させることを目指した単体デバイスです。

その中核にあるのが独自の大規模アクションモデル（LAM）です。配車の手配やフードデリバリーの注文、Midjourneyによる画像生成のほか、回転式カメラで冷蔵庫の中身を認識してレシピを提案するといった複数階層のタスクをこなします。

rabbitの創業者兼CEOであるJesse Lyu氏は、r1をパーソナルアシスタントのように直感的に扱えるものにするため、ElevenLabsの低遅延で表情豊かな音声を統合したと説明しています。

ElevenLabsの音声モデルは29言語に対応しており、ゲームや吹き替えだけでなく、リアルタイム性が求められる対話型AIにも最適化されています。同社CEOのMati Staniszewski氏も、r1を真にダイナミックな副操縦士にするための取り組みだと強調しています。

なぜ重要か

AI専用ハードウェアにとって、音声フィードバックの品質と速度は生命線です。画面を見ずにポケットから取り出して使うデバイスである以上、返答が機械的だったり待たされたりすれば、ユーザーはすぐにスマホへ戻ってしまいます。実績のあるElevenLabsの音声を採用したことで、r1の日常的な対話ハードルは大きく下がるはずです。

業界の視点で見ると、スタートアップがAIハードウェアを構築する際の実用的なアプローチを示しています。rabbitは自社で得意とする端末デザインとアクションモデルに注力し、音声合成は最高水準の外部技術を組み込む道を選びました。

ただし、私たちが注目しているのは一連の処理遅延です。ユーザーの発話を認識し、LAMでアプリ操作を実行し、さらにクラウドで音声を生成して返すという多層のパイプラインが存在します。実際のモバイル回線環境下でどれだけスムーズなレスポンスを維持できるかが、この提携の真価を左右することになりそうです。