Microsoft、Teams会議で自分の声を使って9言語をリアルタイム翻訳する「Interpreter」を発表

多国籍チームによるオンライン会議で最も不自然なのは、言葉の壁そのものよりも、画面の向こうから聞こえてくる無機質でロボットのような機械音声通訳かもしれません。

Microsoftはこの違和感を解消しようとしています。年次イベント「Ignite 2024」において、同社はTeams向けのリアルタイム音声通訳機能「Interpreter」を発表しました。発話者の声をリアルタイムでシミュレートしながら、別の言語へ音声翻訳を行う機能です。

本機能は2025年初頭、Microsoft 365の加入者向けに提供が開始される予定です。

9言語で「自分の声」を再現

MicrosoftのチーフマーケティングオフィサーであるJared Spataro氏によると、Interpreterは会議参加者が母国語で話していても、相手には参加者本人の声質で外国語を話しているように聞こえる体験を提供するものです。

ローンチ時には、日本語、英語、フランス語、ドイツ語、イタリア語、韓国語、ポルトガル語、中国語（標準中国語）、スペイン語の計9言語をサポートします。

人間の同時通訳者に比べると、AI翻訳はスラングや慣用句、文化的なニュアンスを正確に伝える点で劣る部分があります。しかし、手軽さとコスト面での利点は非常に大きく、Markets and Marketsの調査では、翻訳技術を含む自然言語処理分野の市場規模は2026年までに351億ドルに達すると予測されています。

同意なしには複製されない仕組み

もっとも、ビジネスチャットツールに音声クローンを導入することは、重大なセキュリティリスクと隣り合わせです。

ディープフェイクを悪用した詐欺は近年深刻化しており、米連邦取引委員会（FTC）によると、なりすまし詐欺による被害額は昨年だけで10億ドルを超えました。今年には、偽のTeams会議で経営陣を装ったサイバー犯罪集団により、企業が2500万ドルを騙し取られる事件も報じられています。OpenAIが音声クローン技術「Voice Engine」の一般公開を見送ったのも、こうしたリスクへの懸念が一因でした。

Microsoft側も乱用防止には神経をとがらせています。同社によると、音声シミュレーションは自動では有効にならず、会議中の通知で同意するか、設定画面で「音声シミュレーションの同意」をオンにした場合のみ動作します。

また、生体認証データは保存されず、本来の声に含まれる自然なトーン以上の感情を勝手に付加することもないと説明しています。

なぜ重要か

海外オフィスとのやり取りが多いビジネスパーソンにとって、語学力の差による発言機会の不平等は大きな課題でした。Interpreterが低遅延で自然なトーンを再現できれば、母国語のまま自分の「肉声のニュアンス」を保って議論に参加できるようになります。

業界全体を見ても、音声翻訳は「テキスト化して読み上げる」段階から、「声質ごと多言語化する」フェーズへシフトしています。MetaがInstagram Reelsで自動吹き替えを試験運用し、ElevenLabsが多言語音声合成を進める中、MicrosoftがTeamsという巨大なエンタープライズ基盤に直接これを組み込んできた影響は小さくありません。ZoomやGoogle Meetも追随を迫られるはずです。

今回のMicrosoftのアプローチは、利用シーンを会議内のリアルタイム対話に限定し、事前の明示的同意を必須にした点で手堅い設計だと評価できます。

しかし、どれほど安全策を講じても、本人の声で不正な送金指示や承認が行われるリスクを完全に排除できるわけではありません。利便性を享受する一方で、企業側には音声だけに頼らない本人確認プロセスの再徹底が求められることになりそうです。