ChatGPT検索が全ユーザーに無料開放、高度音声モードでのリアルタイム検索にも対応
OpenAIは「ChatGPT Search」を無料ユーザーを含む全員に開放し、高度音声モードにもリアルタイム検索を統合したと発表した。検索速度が向上したほか、モバイル版での店舗情報表示の改善や、ブラウザの既定検索エンジンへの設定も可能になった。
AI音声
新しいニュースを見る
Meta、スマートグラスに「リアルタイムAI動画」と連続対話を追加
Metaはスマートグラス「Ray-Ban Meta」のファームウェアv11を北米の早期アクセス向けに配信した。ウェイクワードなしで視界の映像について連続してAIに質問できるほか、リアルタイム音声翻訳にも対応する。
Google「NotebookLM」刷新：音声ポッドキャストへの割り込み対話や有料版「Plus」が登場
Google はNotebookLM に実験的な Gemini 2.0 Flash を導入し大幅刷新を発表しました。音声解説「Audio Overviews」の再生中に声で割り込んで質問できる対話モードが追加されたほか、UI を刷新。上限が 5 倍以上になる有料プラン「NotebookLM Plus」も提供開始します。
ChatGPTにサンタの音声モードが期間限定で登場、全ユーザーに無料開放
OpenAIがChatGPTにホリデーシーズン限定の「サンタモード」を追加しました。入力欄の雪の結晶アイコンをタップすると、陽気なサンタの声で会話できます。チャット履歴には保存されず記憶機能にも影響しません。モバイル、Web、デスクトップの全ユーザー向けに12月末まで提供されます。
米TIMEが「TIME AI」公開、記事について音声で質問可能に
米TIMEはElevenLabsおよびScale AIと提携し「TIME AI」を発表した。読者は音声AIエージェントに直接質問して記事の背景を深掘りできるほか、翻訳や要約も即座に利用できる。まずは過去数年の「パーソン・オブ・ザ・イヤー」記事で利用可能だ。
YouTube、AI自動吹き替えを数十万の知識系チャンネルへ拡大 公開前確認も可能
YouTubeはAIによる自動音声吹き替え機能をパートナープログラム内の数十万の知識・情報系チャンネルへ拡大した。英語動画は日・独・仏など8言語へ自動翻訳され、公開前のプレビューや削除に対応。現状は機械的な発音だが、今後のアップデートで感情表現も改善される予定だ。
ChatGPT高度音声の元開発者がWaveForms創業、「音声チューリングテスト」合格を目指す
ChatGPTの高度音声モード開発に関わったConneau氏が率いる新興企業WaveFormsが発表された。従来の音声AIが抱える感情や抑揚の欠落を解消し、文脈や感情を深く理解するモデルを開発して「音声チューリングテスト」のクリアを目指す。まずは消費者向けアプリから展開する予定だ。
ElevenLabs、AIポッドキャスト生成「GenFM」をStudioに統合 32言語に対応
ElevenLabsは長尺音声編集ツール「Studio」にGenFMポッドキャスト生成機能を導入しました。テキストやPDF、Webリンクを取り込むだけで、2人のAIホストによる自然な対談ポッドキャストを自動作成できます。32言語に対応し、原稿編集や音声の商用書き出しも可能です。
米Microsoft、Edge向け「Copilot Vision」プレビュー公開 画面を見ながらリアルタイム音声対話
米Microsoftは、Edgeブラウザで閲覧中のWebページをAIが認識してリアルタイムに対話できる「Copilot Vision」のプレビュー版を公開した。セッション終了時に閲覧データが破棄される仕組み。現在は米国のCopilot Pro加入者向けに一部Webサイト限定でテスト提供されている。
SpotifyがNotebookLMと連携：年間まとめを2人のAIが語るポッドキャストに
SpotifyはGoogleのNotebookLMを活用した「Wrapped AIポッドキャスト」を公開した。おなじみの2人のAIホストが、ユーザーの年間視聴データをもとに音楽の好みや変遷を独自の音声番組として語り合う。現在は米国など一部英語圏で限定提供されている。
ElevenLabs、対話型音声エージェント構築プラットフォームを発表
ElevenLabsは対話型音声エージェントを構築できる統合プラットフォーム「Conversational AI」を発表した。音声合成、音声認識、自選LLMを組み合わせ、リアルタイム予測で自然な割り込みや会話の交代に対応する。Twilio連携や各種SDKも提供する。
EVI 2が新機能「Voice Control」公開、スライダーで音声を微調整
12 月 2 日、EVI 2 にベータ機能「Voice Control」が導入された。音声クローンやプロンプトを使わず、自信や鼻声、滑らかさなど 10 項目のスライダーで声を連続調整できる。他の特徴を崩さず狙った声質を再現でき、独自の音声を数秒で作成できる。
Humeが「Voice Control」公開：10個のスライダーで理想のAI音声を自在に調整
Hume AIはEVI 2向けのベータ機能「Voice Control」を発表した。音声クローンやプロンプト入力に頼らず、自信や鼻声など10種類の特性スライダーを動かすだけで、再現性のある独自音声をリアルタイムに生成できる。極端な設定での音質は現在改善中だという。
ElevenLabs、テキストからAIポッドキャストを自動生成する「GenFM」を公開
ElevenLabsはiOS向けアプリ「ElevenReader」に新機能「GenFM」を追加した。PDFや記事、電子書籍を取り込むだけで、AIホストによる対話形式のポッドキャストを32言語で瞬時に生成できる。Android版も数週間以内に提供予定だ。
OrangeがOpenAI・Metaと提携、アフリカ地域言語対応のAIモデル開発へ
通信大手Orangeは、OpenAIおよびMetaと提携し、アフリカ地域言語に対応した大規模言語モデルをファインチューニングすると発表した。まずは西アフリカのウォロフ語とプラー語を対象にWhisperとLlama 3.1を訓練し、教育や医療などの非商用向けにモデルを無償提供してデジタル包摂を後押しする狙いだ。
IMAXがCamb.aiと提携、AI音声モデルで独自ドキュメンタリーを多言語吹き替えへ
IMAXはドバイ発のスタートアップCamb.aiとの提携を発表した。自社制作のドキュメンタリーなどを対象に、AIモデル「Boli」や「Mars」を活用して多言語の翻訳と吹き替えを展開する。Camb.aiは140言語に対応しており、まずは主要言語から段階的に導入してコスト削減とグローバル展開を目指す。
PerplexityがQuartrと連携：決算説明会のリアルタイム文字起こしと要約に対応
QuartrはPerplexityとの提携を発表しました。Quartr APIを活用し、Perplexityの全ユーザーに企業の決算説明会（アーニングスコール）のリアルタイム文字起こしとAI要約を提供します。これまで機関投資家に限られていた分析環境が、誰でも利用できるようになります。
Nvidia、音声生成AIモデル「Fugatto」発表 ピアノ音の歌声化や未体験サウンド生成に対応
Nvidiaはテキスト指示で音声を生成・編集できるAIモデル「Fugatto」を発表した。ピアノ演奏を人間の歌声に変換したり、話者の感情やアクセントを変えたりできる。既存の音を融合させた未知の効果音も作れるが、安全性や著作権への配慮から一般公開は見送られている。
ChatGPTベータ版コードから「ライブカメラ」機能が発覚、音声モードに視覚追加か
ChatGPTの最新ベータ版（v1.2024.317）のコード内に「ライブカメラ」機能が発見された。リアルタイム映像処理と高度な音声モードの連携が含まれている。5月の初披露から半年が経ち、音声AIに視覚が加わるアップデートが近づいているとみられる。
ChatGPTの「高度な音声モード」がWebブラウザに対応
OpenAIはChatGPTの「高度な音声モード」をWebブラウザ版に展開したと発表した。GPT-4oのネイティブ音声機能を活用し、話す速度や感情を汲み取った自然な対話ができる。今週からPlusなどの有料会員向けに先行提供され、無料ユーザーにも今後数週間で提供予定だ。