Audible、出版元向けAI朗読・翻訳ツールを発表 100種超の音声と声質を保つ多言語化を提供
Audibleは出版パートナー向けにAI音声制作・翻訳ツールを発表した。英語や仏語などに対応する100種以上のAI音声を揃え、委託制作またはセルフサービスを選べる。年内には元の声質や語り口を保ったまま他言語へ変換する音声翻訳ベータ版も導入予定だ。
AI音声
新しいニュースを見る
Nvidia、音声認識AI「Parakeet-TDT-v2」をオープンソース公開
Nvidiaは音声認識モデル「Parakeet-TDT-0.6B-v2」をHugging Faceでオープンソース公開した。6億パラメータながらGPU上で1時間の音声をわずか1秒で文字起こしでき、オープンASRリーダーボードで首位を獲得。商用利用可能なCC-BY-4.0ライセンスで提供される。
Google「NotebookLM」、音声概要が50以上の言語に対応
GoogleはNotebookLMのポッドキャスト風会話機能「音声概要」を50以上の言語に対応させたと発表した。設定に「出力言語」が追加され、ポルトガル語や英語などの多言語資料を読み込ませても、希望の言語で解説音声を生成できる。
Meta、単体アプリ「Meta AI」公開：Llama 4搭載、スマートグラス管理も統合
MetaはLlama 4を基盤とする単体アプリ「Meta AI」をリリースした。音声対話を中心に設計され、直接音声を生成する全二重音声デモを搭載するほか、Ray-Ban Metaスマートグラスの管理機能も統合した。米加豪などで先行提供される。
Yelp、飲食店の電話対応や予約を代行するAI機能を発表
Yelpは飲食店やローカル事業者向けに電話対応を代行するAI機能を発表した。AIが予約受付や順番待ち登録、問い合わせ対応を自動で行い、迷惑電話も弾く。忙しい店舗の電話取りこぼしを防ぐ狙いだが、現在はまだ開発段階にある。
Ray-Ban Meta、リアルタイム翻訳を全ユーザーへ提供開始 オフライン対応も
Meta はスマートグラス「Ray-Ban Meta」のリアルタイム翻訳機能を販売地域全域で一般公開した。英語、フランス語、イタリア語、スペイン語の音声翻訳に対応し、言語パックを事前ダウンロードしておけばネット接続なしでも利用できる。
xAI、Grokにカメラ認識機能「Grok Vision」を追加 iOSで先行提供
xAIはカメラ越しに周囲の物体や文書を認識してリアルタイムで質問に答える「Grok Vision」を発表した。音声モードの多言語対応とリアルタイム検索も追加された。Vision機能はまずiOSアプリ向けに提供され、Android版は後日対応となる。
韓国の大学生2人が資金ゼロで音声AI「Dia」を公開 ElevenLabsに匹敵
韓国のスタートアップNari Labsはオープンソースの音声合成モデル「Dia」を公開した。AI開発経験が浅い学部生2人が外部資金ゼロで開発した16億パラメータのモデルで、感情の抑揚や複数話者、笑い声や咳といった非言語音まで再現可能。実測テストでElevenLabsを上回る表現力を示し注目を集めている。
PlayAIが「Voice Changer」公開：10秒の音声で誰の声にも変換可能に
PlayAIは音声変換ツール「Voice Changer」を発表した。わずか10秒の音声サンプルから声の主を再現し、感情やトーンを保ったまま変換できる。モバイル端末でも即座に動作し、配音のコスト削減を狙う。
ElevenLabs、対話型AIにエージェント間の通話転送機能を追加
ElevenLabsはConversational AIにおいて、複数のエージェント間で通話をスムーズに転送できる新機能を発表しました。社内の各チームが独自の知識ベースやツールを持つ特化型エージェントを並行して開発できるようになり、複雑な電話対応の分業が容易になります。
AI企業に肖像権を売却した俳優たちに後悔の声：偽広告や宣伝に悪用
SynthesiaなどのAI動画プラットフォームに顔や音声の権利を売却した俳優たちが、自身のデジタルクローンが怪しい健康食品の宣伝や政治プロパガンダに悪用される事態に頭を抱えている。契約に含まれる広範かつ撤回不能な条項が壁となり、削除要請も困難な状況だ。
AnthropicがClaudeに音声モードを準備中、早ければ今月中にもChatGPTに対抗へ
Bloombergの報道によると、AnthropicはClaudeに対話型の「音声モード」を導入する準備を進めており、早ければ今月中にも提供を開始する見込みです。Airy、Mellow、Butteryの3種類の英語音声が用意され、ChatGPTの音声機能に対抗します。
GoogleがDolphinGemmaを発表：イルカの音声をPixel上でリアルタイム解析
Googleはジョージア工科大学およびWDPと共同で「DolphinGemma」の進捗を発表した。Gemma基盤の約4億パラメータの音声モデルで、イルカの鳴き声パターンを予測・解析できる。Pixelスマートフォン上で直接動作し、2025年夏にオープンモデルとして公開予定。
Google Vertex AI、音楽生成モデル「Lyria」を追加 Veo 2の編集機能も強化
Google CloudはVertex AIにテキスト音楽生成モデル「Lyria」をホワイトリスト限定プレビューとして追加した。動画、画像、音声、音楽の全モダリティを揃えた初の企業向け基盤となる。Veo 2のカメラ制御や補完編集、Chirp 3の10秒音声クローン機能も同時に提供される。
ElevenLabsがMCPサーバーを公開、ClaudeやCursorで音声生成が可能に
ElevenLabsはClaude DesktopやCursorなどと連携できる公式MCPサーバーを公開した。チャットやエディタ画面から直接音声合成、音声クローン、文字起こしを実行できる。ローカル実行不要のホスト版も提供される。
Spotify、生成AIによる音声広告制作とプログラマティック取引を発表
Spotifyは木曜日、広告マネージャーに生成AIを導入し、米国とカナダの広告主向けに広告原稿や音声ナレーションの自動生成を無料提供すると発表した。あわせてリアルタイム入札が可能な取引プラットフォーム「Spotify Ad Exchange」も立ち上げ、プログラマティック広告の展開を本格化させる。
AudioX：6GB未満で動画のカットを認識し自動配音する統合音声モデル
統合音声モデル「AudioX」のコードが公開された。モデルサイズは6GB未満で、一般的なGPU環境でもローカル動作する。テキストや画像、無音動画から音声を生成でき、映像のカット切り替えに合わせた効果音付与や音声修復にも対応する。
脳波を本人の声へ即時変換：UCバークレーなどが1秒未満の音声合成AIを開発
今週のNature Neuroscience誌によると、UCバークレーとUCSFの研究チームが麻痺患者の脳波から本人の声でリアルタイムに音声を再現するAIシステムを開発した。運動野の信号を解析し、発声遅延を従来の8秒から1秒未満へ大幅に短縮した。
TinderがAI恋愛ゲーム提供開始：音声で口説きスキルを採点
TinderはOpenAIの技術を使ったミニゲーム「The Game Game」を発表した。ユーザーは様々なキャラのAIと音声で会話してデートの約束を取り付ける練習ができ、炎の絵文字で評価や改善のアドバイスを受ける。米国のiOSユーザー限定で提供される。
Amazonが「Alexa Plus」早期アクセス開始：Echo Show限定で一部機能は見送り
AmazonはAI搭載の新アシスタント「Alexa Plus」の早期アクセスを一部ユーザー向けに開始しました。現時点ではEcho Showシリーズ限定で、Uberの手配や文書要約などは可能ですが、発表時に披露された音声での食材注文などの機能は未実装です。