Smallest.aiがLightning V3公開：15言語の文中文混じり発話や囁き声の制御に対応

発音やアクセントにどれだけ狂いがなくても、話しかけて数秒で相手がAIだと見抜けてしまう経験は誰にでもあるはずです。原因は滑舌ではなく、人間が考えを巡らせる時に見せる微妙な間や息づかいが抜け落ちている点にあります。

音声AIスタートアップのSmallest.aiは、会話型エージェントに特化した新型テキスト読み上げモデル「Lightning V3」を発表しました。

文中の言語切り替えとささやき声への対応

今回の発表は2つのモデルで構成されています。まず先行するLightning V3.1は、英語、スペイン語、ドイツ語などに加え、ヒンディー語やタミル語を含む15言語に対応しました。最大の強みは自動言語検出と文中の言語切り替えです。日常会話で英語と現地語が混ざり合うヒングリッシュやスパングリッシュのような表現でも、単語単位でスムーズに発声を切り替えます。さらに5秒から15秒の音声サンプルを用意するだけで、その人の癖を残したままクローン音声を生成できます。

続いて展開されるLightning V3.2では、指示追従機能が追加されました。音高や音量、感情のトーンを明示的なプロンプト指示で直接コントロールできるほか、従来の合成手法では難しかった低音量のささやき声まで再現可能です。現在は従量課金プランおよび無料枠ですぐに試せる状態になっています。

OpenAIを上回る勝率と、自ら指摘したベンチマークの限界

会話形式のテストセットを用いた評価において、Lightning V3はMOSスコア3.89、単語誤り率5.38パーセントを記録しました。OpenAIのgpt-4o-mini-ttsを相手にした自然さの比較評価では、LLMジャッジによる判定で約76パーセントの勝率を収めたとされています。

興味深いのは、開発元のSmallest.ai自身が、従来の音声ベンチマークはもはや役に立たないと公言している点です。正しく聞き取れるかどうかという明瞭度の問題はすでに各社がクリアしており、数値を追うだけの評価は実態と乖離し始めていると指摘します。

人間は100語話すごとに平均5回から6回ほどの言い淀みや沈黙を挟みながら思考を組み立てています。感情豊かに抑揚を過剰につけただけの合成音声は、短時間聴くぶんには上質に思えても、長時間の対話では芝居がかった不快感を抱かせます。自然さとは感情の過剰な演出ではなく、相手の話を聞き、考えながら発声しているように聞こえるかどうかにかかっています。

なぜ重要か

電話対応の自動化や対話エージェントを開発しているチームにとって、このモデルはすぐに検証する価値があります。相手が機械的な棒読みを察知した瞬間に通話を切ってしまう離脱問題に対して、混ざり合った言語への耐性や数秒で完了する自然な声の複製機能は実用的な解決策になり得ます。

音声AI業界全体で見れば、競争の焦点が朗読の綺麗さからリアルタイム対話の説得力へと完全に移行したことを示しています。発音の正確さで差がつかなくなった今、思考にかかる微小な負荷やリズムの揺らぎをいかに自然に表現できるかが勝敗を分ける鍵になります。

一方で、公式が掲げるOpenAIに対する76パーセントの勝率を額面通りに受け取るのは禁物です。LLMを審判に据えたクローズドな測定と、ノイズ混じりの電話回線や実利用環境での聞こえ方は異なります。感情やささやきを制御できる機能も、上位の推論モデルが状況に合った適切な指示を出せなければ、かえって不自然な会話を生み出すリスクを孕んでいます。