Hume AIが「Octave 2」発表：生成遅延200ms未満、価格半額で11言語対応

多くの音声AIがいまだに「機械っぽさをなくす」ことに腐心している中、感情認識AIを手がけるHumeは、音声をまるで画像のように微細修正できる領域へ駒を進めました。

Humeは10月1日、テキスト読み上げ向けフロンティア音声モデルの第2世代となる「Octave 2」を発表しました。すでに同社のプラットフォームおよびAPIを通じてプレビュー版の提供が始まっています。

15秒でクローン生成、音素の直接編集にも対応

Octave 2は日本語を含む11言語に対応しました。英語、フランス語、ドイツ語、韓国語、スペイン語などに加え、今後数カ月以内に20言語以上へ拡大する予定です。

わずか15秒の音声サンプルから音声を即座にクローンでき、別言語で話させる際には話者特有のアクセントまで再現して予測生成します。

さらに注目されるのが、今後提供予定とされる「音声変換」と「直接音素編集」の2つの新機能です。

音声変換は、元の話し手のタイミングや発音のニュアンスを完全に保ったまま、声色だけを別の人物に差し替える機能です。海外作品の吹き替えや代役の修正に適しています。

音素編集では、テキストプロンプトでは難しかった固有名詞の細かな発音調整や単語の強調位置の変更が可能です。元の音声に含まれる音素を切り貼りして、まったく新しい単語を発音させるデモも公開されています。

200ミリ秒未満の応答速度と半額のコスト

Octave 2は前世代モデルに比べて速度が40パーセント向上し、200ミリ秒未満で音声を生成します。珍しい単語や繰り返し言葉、数字や記号の読み上げ精度も改善されました。

この低遅延を実現するため、HumeはSambaNovaと提携し、同社の新しい音声言語モデルアーキテクチャに特化した専用推論スタックを開発しました。

利用料金はOctave 1の半額に設定されており、専有環境でのデプロイであれば音声1分あたりのコストを1セント未満に抑えられるとしています。同時に、この技術を音声対話向けに落とし込んだ「EVI 4 mini」も公開されました。

なぜ重要か

ゲーム開発者や映像制作の現場にとって、AI音声の最大の悩みは「名前などの固有名詞を正しく読んでくれないこと」と「イントネーションを直すために何度も再生成ガチャを引かされること」でした。音素単位で直接レタッチできる仕組みは、プロの制作現場における実用性を大きく引き上げる巧みなアプローチだと評価できます。

また、応答遅延が200ミリ秒を切り、コストも1分あたり1セント以下まで下がったことは、カスタマーサポートや対話型キャラクターを大規模運用したい事業者にとって強力な後押しになります。ElevenLabsなどの競合も、表現力だけでなく遅延と運用コストのさらなる圧縮を迫られるはずです。

ただし、音素編集などの目玉機能はまだプレビュー段階であり、対話用のEVI 4 miniも単体では言語生成ができず外部LLMを組み合わせる必要があります。完全なエンドツーエンドモデルへ移行するまでの過渡期の構成である点は留意しておく必要があります。