Meta、音声生成AI「Voicebox」を発表　2秒の音声から声色を再現

ポッドキャストや動画の収録中に、完璧なテイクに限って車のクラクションが鳴ったり、言い間違いをしたりした経験はないでしょうか。

Meta が発表した新しい音声生成 AI モデル「Voicebox」は、まさにそうした音声収録のやり直しをなくす可能性を秘めています。

Voicebox は、大規模言語モデルのような文脈内学習（In-context learning）を活用しており、特定のタスク向けに追加学習を行うことなく、音声の編集やサンプリング、スタイルの適用をこなす汎用モデルです。

まるで音声の「消しゴムツール」

Voicebox の大きな特徴の一つが、音声の編集とノイズ除去です。Meta はこれを音声編集における「消しゴム」のようなものだと説明しています。

例えば、話している途中で犬の鳴き声が入ってしまったり、単語を言い間違えたりした場合でも、最初から録り直す必要はありません。邪魔な部分を切り取り、Voicebox に指示を出せば、前後の文脈に合わせて自然な音声を再生成して穴埋めしてくれます。

さらに、音声の複製に必要なデータもごくわずかです。わずか 2 秒間の音声サンプルがあれば、その人の声の特徴を捉え、任意のテキストをその声で読み上げさせることができます。

自分の声のまま 6 言語を話す

多言語対応とスタイル転送も強力です。対応しているのは英語、フランス語、ドイツ語、スペイン語、ポーランド語、ポルトガル語の 6 言語です。

自分がまったくフランス語を話せなくても、普段の英語の音声サンプルとフランス語のテキストを渡せば、Voicebox が自分の声のトーンを維持したまま、流暢なフランス語で読み上げてくれます。

また、多様な日常会話のデータで学習されているため、従来の音声合成のような不自然な機械音ではなく、人間が普段話すときのような自然な発話が可能だとしています。

Meta は今後、メタバース内の NPC やバーチャルアシスタントへの活用、視覚障害者が友人の声でテキストメッセージを聞ける機能などを想定しています。

なぜ重要か

クリエイターにとって、収録のやり直しや吹き替えにかかる負担を劇的に減らせるツールになり得ます。数秒の音声があれば修正もローカライズも可能になるため、多言語向けのコンテンツ展開のハードルは一気に下がるはずです。

業界全体で見れば、音声分野でもタスク特化型から汎用的な基盤モデルへの移行が本格化したことを示しています。従来の TTS（テキスト読み上げ）専業サービスは、機能の再定義を迫られることになるでしょう。

Meta のアプローチは、単に音声を生成するだけでなく、現場の編集ワークフローに直結する「修正ツール」として設計されている点が非常に巧みです。

しかし、わずか 2 秒の音声から誰の声でも高精度に再現できる技術は、なりすまし詐欺やディープフェイクのリスクと隣り合わせです。一般公開に向けて、強固な検出技術や電子透かしといった安全策をどこまで確立できるかが最大の課題と言えます。