GroqとPlayAIが音声AI「Dialog」で提携：毎秒140字の高速生成と感情表現を実現

音声AIアシスタントを使っていて最もストレスを感じるのは、不自然な沈黙と、こちらの感情を無視した一本調子な機械声です。

高速推論チップを手がけるGroqと、音声AIスタートアップのPlayAIは、最新のテキスト読み上げ（TTS）モデル「Dialog」をGroqのインフラ上で提供すると発表しました。

前後の文脈を読んで声のトーンを変える

Dialogの最大の特徴は、PlayAIが開発した「アダプティブ・スピーチ・コンテクスチュアライザー（ASC）」と呼ばれる仕組みにあります。

従来のTTSは個々の文を独立して処理することが多く、会話の流れに応じた感情表現が苦手でした。ASCは会話全体の履歴を把握し、文脈に適した抑揚、トーン、感情をリアルタイムに反映します。

第三者評価機関Podonosによるブラインドテストでは、ユーザーの選好度においてElevenLabsのv2.5 Turboに対して10対1、ElevenLabs Multilingual v2.0に対しても3対1以上の大差をつけて支持を集めました。

ローンチ時点で英語とアラビア語に対応しており、アラビア語版は中東地域向けに特化して設計された初の本格的な音声AIとなります。PlayAIの創業チーム自身が中東・北アフリカ出身であることも、この展開を後押ししています。

リアルタイム発話の10倍の生成速度

会話体験を成立させるには、感情表現だけでなく遅延の短縮が不可欠です。

ここで活きるのがGroq独自の言語処理ユニット（LPU）です。社内テストによると、GPU上で毎秒86文字だったDialogの処理速度は、GroqのLPU上では毎秒140文字に達しました。これは人間の標準的な発話速度と比べて最大10倍の速さです。

GroqのCROであるIan Andrews氏は、GroqCloud上で音声認識（ASR）、LLM推論、音声合成（TTS）がすべて完結するため、開発者が複数のプロバイダーを繋ぎ合わせる必要がなくなると述べています。

この提携の背景には、Groqがサウジアラビアから15億ドルの投資コミットメントを取り付け、ダンマームに大規模な推論データセンターを新設した動きもあります。DialogはすでにGroqCloud上で無料および有料プランとして提供が始まっています。

なぜ重要か

リアルタイム音声AIの最大の敵はレイテンシー（遅延）であり、今回の取り組みはその解消に大きく近づくものです。

開発者にとってのメリットは明確です。従来は音声認識、大規模言語モデル、音声合成を別々のAPIで数珠つなぎにしていたため、通信の往復だけで会話がもたついていました。Groqのワンストップ環境にまとまることで、体感遅延の大幅な改善が期待できます。

業界全体で見れば、表現力で先行してきたElevenLabsに対して、Groqのハードウェア性能とPlayAIの文脈適応アーキテクチャが強力な対抗馬として浮上した形です。

中東市場への迅速なアプローチも極めて戦略的だと考えられます。世界第4位の話者数を持ちながら開拓が遅れていたアラビア語圏を押さえることで、地域に根ざしたインフラとしてのポジションを固めつつあります。方言への対応力など未知数の部分はあるものの、音声対話の実用化を加速させる一手と言えます。