Hume AIがOctaveを発表：文脈や皮肉を理解して演じ分ける音声LLM

従来のテキスト読み上げ（TTS）ツールの多くは、声の質感こそ人間に近づいたものの、「自分が何を読んでいるのか」を理解していません。強烈な皮肉や怒りが込められた台詞を渡しても、淡々としたアナウンサーのような声で読み上げられてしまい、違和感を覚えることが少なくありませんでした。

Hume AIは2月26日、音声合成向けの大規模言語モデル「Octave」を発表しました。同社はこれを、文脈や言葉の意味を理解した上で発声する「音声言語モデル（Speech-language model）」と位置づけています。

スクリプトの文脈を読み解くAI

Octaveは、入力されたテキストの裏にある意図や感情の手がかりを読み取り、声の高さ、リズム、音色を自律的に調整します。たとえばロゴの色をめぐる無駄な会議を皮肉る台詞を与えると、人間が呆れたときのような冷ややかなトーンを自動的に再現します。

さらに自然言語プロンプトから声そのものを作り出す「Voice Design」機能を搭載しています。「ASMR風の穏やかなカウンセラー」や「しわがれ声で早口な中世の騎士」といった指示から声質を生成できます。プロンプトを空欄にして台詞だけを入力した場合でも、使われている語彙や言い回しからキャラクターを推測し、それにふさわしい声を自動で割り当てます。

指示機能「Acting Instructions」を使えば、同じ声のまま「囁くように」「激怒して」「冷静に」といった演技指導を与えることも可能です。現在は48kHzの高音質出力や60種類以上のプリセット音声、長尺制作用のUIを提供しており、5秒の音声から複製する音声クローニング機能も近日中に公開予定としています。

ElevenLabsとの比較結果

Hume AIは業界標準とされるElevenLabsのVoice Designを相手に、180人の評価者によるブラインド比較テストを実施しました。120種類のプロンプトで生成した音声を聴き比べてもらったところ、すべての指標でOctaveが上回ったと発表しています。

音質面では71.6%、声の自然さでは51.7%の勝率を記録しました。さらに「プロンプトの指示内容と生成された声がどれだけ合致しているか」という再現性の項目でも57.7%の支持を集めました。同社はあわせて、表現力豊かなTTSの評価を一般ユーザーと進める「Expressive TTS Arena」も立ち上げています。

なぜ重要か

これまでの音声合成は音のリアルさを競ってきましたが、オーディオブックやゲーム開発、ポッドキャスト制作の現場では、文脈を無視した一本調子な読み上げを修正するために膨大な手作業が発生していました。

Octaveのように、モデル自体が文脈やサブテキストを理解して演技をコントロールできるようになれば、クリエイターが手動で抑揚や間を調整する負担は劇的に減ります。インディーゲーム開発者が感情豊かなNPCの会話音声を低コストで揃える用途には、今すぐ試す価値があると言えます。

私たちは、単に音質を上げるのではなく「文脈理解」を軸に据えたアプローチを高く評価しています。一方で、AIの文脈推論に頼る構造である以上、スクリプトの意図を誤読したときに、無機質な音声以上に不自然な感情表現を生んでしまうリスクは残ります。 ElevenLabsが築いた広範な開発者エコシステムにどこまで食い込めるかは、実運用での安定性とコスト感にかかっています。