GoogleがDolphinGemmaを発表：イルカの音声をPixel上でリアルタイム解析

バハマの青い海に潜り、市販のスマートフォンひとつでイルカの声を聞き分け、その場でイルカそっくりの鳴き声で対話する。そんなSFのような研究が現実味を帯びてきました。

Googleは4月14日の「全米イルカの日」に合わせ、ジョージア工科大学およびワイルド・ドルフィン・プロジェクト（WDP）との共同研究によるAIモデル「DolphinGemma」を発表しました。イルカの音声構造を学習し、イルカに似た新たな音響シーケンスを生成できる基盤モデルです。

言語モデルの技術でイルカの「次の音」を予測する

WDPは1985年以来、バハマ海域の大西洋マダライルカの群れを40年にわたって追跡調査してきました。水中で個体識別を行いながら、母子が呼び合う固有の「シグネチャーホイッスル」や、喧嘩の威嚇音、求愛時のクリック音などを膨大な映像・音声データとして記録し続けています。

Googleはこの長年のデータをもとに、オープンモデル「Gemma」のアーキテクチャを応用した約4億パラメータ（400M）のDolphinGemmaを開発しました。音声トークナイザーであるSoundStreamを採用し、音声を入力して音声を直接出力する設計です。

人間向けの大規模言語モデルが文章の「次の単語」を予測するように、DolphinGemmaはイルカの鳴き声の連なりから「次に来る音」を推論します。これにより、これまで人間が手作業で見つけ出すしかなかった鳴き声の規則性や潜在的な文法パターンを抽出できるようになります。

Pixel 9を積んだ水中コンピュータで双方向の会話を試みる

研究チームは受動的な解析だけでなく、双方向のやり取りにも踏み込んでいます。ジョージア工科大学とWDPが開発した水中コンピュータ「CHAT」は、人工的なホイッスル音とイルカが好むアイテム（ホンダワラ、海草、バンダナなど）を結びつけ、簡単な「共通の語彙」を作る試みです。

人間同士がそのホイッスルを鳴らしてアイテムをやり取りする様子を見せることで、好奇心旺盛なイルカがその音を真似してアイテムを要求するよう促します。

この音声をリアルタイムで処理するのがPixelスマートフォンです。従来はPixel 6が使われていましたが、2025年夏の調査からはPixel 9を搭載した最新システムが投入されます。研究者は水中骨伝導ヘッドホンを装着し、イルカが真似た音をPixelが瞬時に特定すると、どのアイテムを要求しているかが研究者に音声で伝えられます。

DolphinGemmaの予測機能が加わることで、イルカが鳴き終わるのを待たずに鳴き始めの段階で意図を推定できるようになり、人間側の反応速度が劇的に向上します。Googleはこのモデルを2025年夏にオープンモデルとして公開し、ハンドウイルカなど他種の研究にも転用できるようにする計画です。

なぜ重要か

海洋生物学や生物音響学の研究者にとって、約4億パラメータのAIモデルが市販のスマートフォン上で完結して動く意義は非常に大きいです。洋上でのフィールド調査では、大型の計測機器や高価な専用ハードウェアを持ち込むだけで莫大なコストと電力消費が発生します。Pixelのような民生機器で高度な推論が回るなら、現場での運用のしやすさは桁違いに向上します。

私たちは、このプロジェクトの「アプローチの堅実さ」を高く評価しています。未知の動物言語を一足飛びに完全翻訳しようとするのではなく、まずは人工のホイッスル音とおもちゃを使った最小限の共有ボキャブラリーから関係を築こうとしています。これは誇大広告に陥りがちなAI動物研究の中で、極めて現実的で賢い進め方に見えます。

一方で課題も残されています。波の音や水中の環境ノイズが激しい現場において、モバイルチップ上のモデルがどこまで高い認識精度を維持できるかはまだ未知数です。また、イルカが人工音を真似ておもちゃを欲しがったとしても、それは条件反射的な訓練の成果なのか、真の意味での「意図の伝達」なのかという科学的な境界線をどう証明していくかについては、今後も慎重な議論が求められます。