ElevenLabs、音声認識モデル「Scribe」公開：99言語対応でWhisperを上回る精度をアピール
ElevenLabsは初の音声認識モデル「Scribe」を発表した。99言語の文字起こしに対応し、単語単位のタイムスタンプや話者分離、笑い声などの非音声タグを付与可能で、Whisper Large V3を上回る精度を達成したという。APIとダッシュボードで提供が始まっており、低遅延版も予定されている。
AI音声
新しいニュースを見る
Hume AIがOctaveを発表：文脈や皮肉を理解して演じ分ける音声LLM
Hume AIは文脈を理解する音声言語モデル「Octave」を公開した。単なるテキスト読み上げを超え、皮肉や恐怖などの感情やキャラクター設定を解釈して声色や抑揚を演じ分ける。盲検テストではElevenLabsを上回る評価を得た。
xAIがGrok 3に「暴走」音声モード追加：暴言や絶叫、18禁会話も解禁
xAI は Grok 3 の有料会員向けに新たな音声モードを公開した。規制の厳しい ChatGPT とは異なり、罵倒や 30 秒の絶叫をして電話を切る「暴走」モードや、性的な会話を行う 18 禁の「セクシー」など無規制な人格を選べる。大手各社が安全策を取る中、真逆の路線を突き進む動きとして注目を集めている。
OpenAI、ChatGPT無料ユーザーに高度な音声モードを開放：GPT-4o miniを採用
OpenAIはChatGPTの無料ユーザー向けに「高度な音声モード」のプレビュー提供を開始した。より低コストなGPT-4o miniを活用し、自然な会話のテンポを維持。1日の利用時間には制限があり、残り3分で通知が表示される。
Microsoft、Copilotの「音声」と「Think Deeper」を無料・無制限に開放
Microsoftは、Copilotの音声会話機能およびOpenAI o1搭載の思考機能「Think Deeper」について、無料ユーザー向けの使用制限を撤廃した。複雑な推論や長時間の音声対話が制限なく利用できる。なお、月額20ドルのCopilot Proはピーク時の優先アクセス枠として継続される。
Googleドライブ、動画の「文字起こし検索」に対応 テキスト指定で該当場面へジャンプ
GoogleはGoogleドライブ内の動画で検索可能な文字起こし機能の提供を始めた。3月26日までに全Workspaceユーザーへ順次展開される。YouTube風のサイドバーにタイムスタンプ付きテキストが表示され、単語検索やクリックによる頭出しが可能。字幕付き動画で利用でき、自動生成にも対応する。
Luma AI、Dream Machineに無料の音声生成機能を追加
Luma AIは動画生成ツール「Dream Machine」に「Video to Audio」機能を追加しました。動画生成後に新設された「Audio」ボタンを押すだけで、ワンクリックまたはプロンプト指定で音声を付加できます。現在はベータ版として全ユーザーに無料提供されています。
通話相手もAIだと気づいたら？Gibber Linkで音声信号通信へ自動切り替え
AIエージェント向け通信プロトコル「Gibber Link」が公開された。電話口の相手がAIだと認識すると、人間の言葉をやめてGGWaveベースの音声信号へ切り替える仕組みだ。音声合成を省くことで計算コストを90%以上削減し、通信時間を最大80%短縮できる。
Spotify、ElevenLabsと提携してAI音声によるオーディオブック配信を拡大
SpotifyはElevenLabsとの提携を発表し、同社のAI音声技術で作成されたオーディオブックの配信受付を開始した。著者は29言語の合成音声を使って低コストで書籍を音声化できる。作品にはAI音声である旨の明記と事前審査が義務付けられる。
Fiverrが個人向けAIモデル発表：フリーランスが自作データでAIを育成・販売可能に
ギグワーク大手のFiverrは「Personal AI Creation Model」を発表した。声優やデザイナーなどのフリーランスが自身の過去作品でAIを訓練し、顧客に販売・課金できる月額25ドルの仕組みだ。問い合わせに対応する個人用AIアシスタントも提供されるが、初期対象は一部の選定クリエイターに限られる。
YouTubeが2025年計画を発表、AI自動吹き替えをパートナーに全面開放
YouTubeはパートナープログラム参加者全員にAI自動吹き替えを提供すると発表した。Shortsの背景生成機能Dream ScreenにはGoogleのVeo 2が導入されるほか、クリエイター向けの企画支援ツールや肖像検出ツールの開発も進めている。
Kyutai、本人の声を保つリアルタイム音声翻訳AI「Hibiki」を発表
仏AI研究所Kyutaiはリアルタイム音声同訳モデル「Hibiki」を発表した。現在は仏英翻訳に対応し、話者の声質を維持したまま文脈に応じて発話速度を調整する。公式評価では品質や自然さにおいて人間の同時通訳に迫る性能を示している。
Amazon、生成AIで刷新した「新Alexa」を2月26日に披露へ
ロイターの報道によると、Amazonはのイベントで生成AIを搭載した新版Alexaを披露する見通しです。連続した指示への対応やユーザーに代わって自律的に動くエージェント機能を備え、基盤にはAnthropicの技術も採用。まずは一部ユーザー向けに無料公開され、将来的には月額課金も検討されています。
詐欺師をイラつかせる「AIおばあちゃん」：英O2が開発、電話を40分引き伸ばす
英Virgin Media O2は特殊詐欺対策AI「Daisy」を発表した。78歳のおばあちゃんを演じ、老眼鏡を探したり菓子のレシピを語ったりして時間を浪費させ、詐欺師を最長40分間拘束して被害を防ぐ実験的プロジェクトだ。
Anthropic、Claudeに双方向音声モードと記憶機能の追加を計画
AnthropicのCEOであるDario Amodei氏は、AI「Claude」に双方向音声対話機能と過去の会話を記憶するメモリ機能を追加する計画を明かした。今後数か月でより賢い新モデルも登場予定だが、直近の需要急増で計算資源が逼迫しており、評価額600億ドルで約20億ドルの追加調達を協議中とされる。
アマゾンの次世代Alexa、幻覚問題や応答遅延などの技術的課題で投入が難航
英フィナンシャル・タイムズによると、アマゾンのAGI責任者ローヒト・プラサド氏は、新版Alexaの提供に向けて複数の技術的ハードルに直面していると明かした。常時使われる音声アシスタントとして幻覚をほぼゼロにする必要があり、遅延短縮や数百の外部連携も必須だ。内部関係者によれば公開は当面先になるという。
VLC、完全オフラインで動くリアルタイムAI字幕・翻訳機能をCESで実演
VideoLANはCES 2025にて、VLCプレイヤーに内蔵されたリアルタイムAI字幕および翻訳機能を披露した。クラウドを介さず端末ローカルで動作し、100以上の言語に対応する予定だ。なお、一般向けの正式リリース時期はまだ明かされていない。
Google、検索履歴やDiscoverから5分の個人向けAIポッドキャストを作る「Daily Listen」をテスト
Googleは検索履歴やDiscoverの利用動向から約5分の個人向けAIポッドキャストを生成する新機能「Daily Listen」をSearch Labsで公開した。NotebookLMの音声まとめ機能に似た仕組みで、テキスト起こしも備える。現在は米国のAndroidおよびiOSのテスト参加者向けに限定提供されている。
Garmin、生成AI活用の次世代スマート座席を発表 CESイノベーション賞を受賞
GarminはCES 2025で、次世代コックピットシステム「Unified Cabin」を発表し、CESイノベーション賞を受賞した。QualcommのSnapdragonプラットフォームを採用し、生成AIによるテーマ生成や座席ごとの専用音声アシスタント、UWBによる子供の置き去り検知などを備える。
Timekettle、通訳イヤホン向け「Babel OS」発表：音声複製や文脈予測に対応
Timekettle は翻訳イヤホン向けの独自 OS「Babel OS」を発表した。AI による意味分割と文脈予測で超低遅延な同時通訳を実現し、話者の声色を再現する音声複製やカスタム辞書機能を備える。W4 Pro など既存端末向けに OTA 配信が始まっており、オフライン動作機能も開発中。