Humeが「Voice Control」公開：10個のスライダーで理想のAI音声を自在に調整

AIの音声インターフェースを作る際、多くの開発者が直面するのが「声の既視感」です。主要な基盤モデルが用意した数種類のプリセット音声はすでに聞き飽きられており、他社と差別化しようとすると、テキストプロンプトで曖昧なニュアンスを指示するか、法的・倫理的リスクの高い音声クローンに頼るしかありませんでした。

感情科学とAIを掛け合わせるHume AIは11月27日、この課題に対する新たな回答として「Voice Control」を発表しました。同社のEmpathic Voice Interface 2（EVI 2）向けに開発されたベータ機能で、スライダーを動かすだけで直感的に合成音声を細かく調整できます。

言語の壁をスライダーで解消する

Humeによると、人間の声に対する認識は言語で表現できる範囲をはるかに超えて繊細です。友人の声を瞬時に聞き分けられても、その特徴を言葉で他人に説明するのは困難です。

そこでVoice Controlは、言葉による指示ではなく10種類の連続的なパラメータを採用しました。調整可能な次元は、男性らしさ／女性らしさ、自己主張（assertiveness）、弾み（buoyancy）、自信、熱意、鼻音感（nasality）、リラックス度、滑らかさ、冷淡さ（tepidity）、緊張感（tightness）の10項目です。

ベース音声を選んだ後、各スライダーをマイナス100からプラス100の間で動かすことで、リアルタイムに変化を確認できます。技術的には教師なし学習のアプローチを用いることで各属性を分離し、あるパラメータを変えても他の特徴が崩れにくく、対話セッションをまたいでも同じ声質を再現できるよう設計されています。ただしベータ版のため、極端なパラメータの組み合わせでは音質が不安定になる場合があるとしています。

なぜ重要か

実在する人物の音声を複製するクローン技術が著作権やディープフェイクの懸念で批判を浴びる中、Humeが合成音声そのもののパラメトリックな制御に舵を切ったのは極めて現実的で賢い選択だと考えます。誰かの声を盗むリスクを完全に排除しながら、ブランド固有の声を作り出す手段を提供しているからです。

カスタマーサポート、対話型ゲームのキャラクター、ウェルネス系アプリなどを手がける開発者にとって、プロンプトのガチャに頼らず直感的なUIで音声を微調整できる価値は小さくありません。調整した設定はそのままEVIの設定として即座にデプロイできるため、試行錯誤にかかる時間は劇的に短縮されます。

業界全体にとっても、固定プリセットの選択にとどまっていた音声生成AIの基準を「カスタマイズ可能かつ解釈可能な音声」へと引き上げる契機になりそうです。極端な設定でのノイズ対策という課題は残るものの、他社と被らない独自の声を手軽に実装したいプロジェクトなら、今すぐ試す価値が十分にあります。