Hume AIがEVI 3を発表：プロンプトで声と性格を自在に生成

従来の音声 AI と会話したことがある人なら、どれだけ声が流暢でも、どこか機械的でこちらの感情を汲み取ってくれないもどかしさを感じたことがあるはずです。

感情に特化した AI を開発する Hume AI は、第 3 世代となる音声言語基底モデル「EVI 3」を発表しました。文字起こし、言語理解、音声合成を個別のツールで繋ぎ合わせるのではなく、単一の知能が直接音声を聞き取り、理解し、発声するエンドツーエンドの音声対音声モデルです。

プロンプトだけで自在な声色と性格を作り出す

あらかじめ用意された少数の声から選ぶ従来の手法とは異なり、EVI 3 ではプロンプトを入力するだけで、あらゆる声質と性格をその場で生成できます。

同社のプラットフォーム上にすでに存在する 10 万種類以上のカスタムボイスをそのまま動かすことも可能です。さらに、怒りや悲しみといった基本的な感情だけでなく、息切れした様子、絵画に見惚れるような口調、海盗の真似、皮肉、ささやき声など、30 種類に及ぶ多様な発話スタイルをリアルタイムで使い分けることができます。

相手の感情を読み取る能力も際立っています。同じ言葉を発した場合でも、声のトーンやリズムから恐怖、苛立ち、喜びといった 9 種類の人間の感情を識別するテストにおいて、GPT-4o よりも高い精度と自然さを記録したと報告されています。GPT-4o とのブラインド比較では、共感性、表現力、自然さ、割り込みへの応答速度など、すべての項目で EVI 3 が高い評価を獲得しました。

応答速度については、理想的なハードウェア環境では 300 ミリ秒未満で音声を返せるとしています。ニューヨークから米西海岸のサーバーに接続した実測テストでは、平均遅延が約 1.2 秒となり、GPT-4o リアルタイム API の平均 2.6 秒を大幅に上回る軽快さを確認したとしています。また、発話しながらバックグラウンドで推論モデルやウェブ検索を実行する仕組みも備えています。

現在、Web 上のライブデモおよび iOS アプリで試すことができ、API 提供も数週間以内に開始される予定です。

なぜ重要か

EVI 3 の登場は、音声 AI が単なる指示出しの道具から、人間味のある対話パートナーへとシフトしたことを示しています。

ゲームの NPC 制作や対話型キャラクター、語学学習アプリを手がける開発者にとって、すぐにでも試す価値があります。これまで莫大なコストと時間をかけていた音声クローンや感情表現の調整が、テキストプロンプトひとつで実現できるようになるため、プロダクト開発の敷居は一気に下がります。ただし、正確さが第一に求められる事務的なコールセンター業務などでは、過剰な感情表現がノイズになる可能性もあり、使いどころの見極めは必要です。

業界全体にとっても、OpenAI や Google といった巨大プラットフォームに対する明確なカウンターとなります。汎用的な知能を競う大手に対し、感情の機微や会話の心地よさという体験価値に特化することで、特化型スタートアップが優位性を持てることを証明しました。

一方で、声の表現があまりに生々しくなれば、詐欺やなりすましなどの悪用リスクが跳ね上がる懸念もあります。感情を込めて泣き落としをするような AI 音声が悪用された場合、人間の心理的防壁を容易に突破しかねないため、倫理的な制御と安全対策が今後の大きな課題となるはずです。