ElevenLabs、人気読書アプリ「Omnivore」開発チームの合流を発表
AI 音声の ElevenLabs は、50 万人以上のユーザーを抱える「Omnivore」の開発チームが合流したと発表しました。6 月に登場した 32 言語対応の朗読アプリ「ElevenReader」のモバイル体験強化が狙いです。なお、Omnivore のコードベースは今後もオープンソースとして公開が継続されます。
AI音声
新しいニュースを見る
Meta、Googleのポッドキャスト自動生成を再現するオープンソース版公開
MetaがGoogleの「NotebookLM」で話題となったポッドキャスト生成機能を再現するオープンソースプロジェクト「NotebookLlama」を公開した。Llamaを使って文書から対話台本を作り音声化する。現在は音声の機械感や幻覚が目立つものの、オープンな基盤として改良が期待される。
マイクロソフトがCopilotを刷新、リアルタイム音声や画面を見る「Vision」を追加
マイクロソフトはCopilotの大幅刷新を発表し、自然に対話できる音声機能と閲覧中ウェブページを理解する「Copilot Vision」を追加しました。さらに複雑な推論を行う「Think Deeper」も導入。Visionなどの実験的機能は一部地域のテスター向けに順次提供されます。
ChatGPTの新音声機能、禁じられた「歌唱」の制限を回避されビートルズを熱唱
米Ars Technicaによると、あるエンジニアがコード当てゲームを通じてChatGPTの新音声機能（AVM）を誘導し、ビートルズの『Eleanor Rigby』を一緒に歌わせることに成功した。OpenAIは著作権保護のため歌唱を禁止する指示を与えていたが、プロンプトの工夫で容易に突破された格好だ。
Google「NotebookLM」、YouTube動画や音声の読み込みと音声概要のリンク共有に対応
Googleは「NotebookLM」に公開YouTubeリンクと音声ファイルの直接追加機能を提供開始した。動画の文字起こしに沿った要約や引用が可能になり、生成した音声解説「Audio Overview」のURL共有にも対応した。Workspaceユーザーは共有機能の対象外となる。
OpenAI、ChatGPTの「高度な音声モード」をPlus・Team向けに提供開始
OpenAIはChatGPTの「高度な音声モード（Advanced Voice Mode）」をPlusおよびTeamユーザー向けに順次提供開始しました。今週中に順次利用可能になる予定です。新たにカスタム指示やメモリ機能に対応したほか、5種類の新しい音声とアクセントの改善が盛り込まれています。
Duolingo、AIビデオ通話機能と探索ミニゲーム「Adventures」を発表
Duocon 2024 にて、Duolingo は新機能「Video Call」と探索型ミニゲーム「Adventures」を発表しました。Duolingo Max 会員は人気キャラクターの Lily と英語・スペイン語・フランス語でリアルタイム会話練習ができ、ゲーム内でカフェ注文などの実践的な対話も学べます。
ElevenLabsにディーパック・チョプラ氏のAI音声が登場、書籍朗読に対応
ElevenLabsは、心身医学の権威ディーパック・チョプラ氏と提携し、その合成音声を朗読ライブラリに追加した。ユーザーは書籍や記事をチョプラ氏の穏やかな声で再生できる。ライセンス契約に基づき、ユーザーがこの音声を使って独自のコンテンツを作成することはできない。
T-MobileがOpenAIと提携：o1モデル活用の顧客基盤「IntentCX」
T-MobileはOpenAIと提携し、新世代の顧客サービス基盤「IntentCX」を発表した。OpenAIのAPIと最新推論モデルo1を活用して通話ログを分析し、対応の課題を洗い出す。単なるチャットボットを超えた仕組みとして来年導入予定。
GoogleのGemini Liveに10種類の音声が追加：アプリ内でいつでも切り替え可能に
Googleは音声対話機能Gemini Live向けに最大10種類の音声オプションを提供開始したと発表した。ユーザーはアプリ内でいつでも好みの声色を試聴・変更できる。より自分好みのトーンで自然にAIと会話できるようになるアップデートだ。
Plaudが「NotePin」発表：万能を捨てメモ記録に特化したAIピン
Plaudはメモと議事録作成に特化したウェアラブルAIデバイス「NotePin」を発表した。首掛けやリストバンドとして装着でき、録音した音声をOpenAIのGPT-4oで文字起こし・要約する。批判を浴びたHumaneなどの先行製品と異なり、機能を絞ることで実用性を高める狙いだ。
Amazon、生成AI版Alexaを10月提供へ：月額最大10ドルの有料版か
報道によると、Amazonは生成AIを搭載した新型Alexa（内部呼称「Remarkable Alexa」）を10月に提供予定です。献立作成や創作ストーリーの生成、自然な連続対話に対応し、月額最大10ドルのサブスク制になると報じられています。従来の無料版も継続提供されます。
Will.i.amがAIラジオ「RAiDiO.FYI」を発表：AI司会者とリアルタイム対話
米音楽グループ「ブラック・アイド・ピーズ」のWill.i.amが、AI主導のインタラクティブラジオ「RAiDiO.FYI」を発表した。AIパーソナリティが選曲や雑談だけでなく、ニュースを要約してリスナーとリアルタイムで対話する。iPhoneが電話を変えたようなラジオの刷新を目指すという。
D-IDがAI動画翻訳ツールを発表、音声クローンと口の動きの同期に対応
D-IDは動画翻訳ツール「AI Video Translate」を発表しました。独自のRosetta-1モデルを採用し、30言語への翻訳に加えて話者の音声クローンと口の動きのリップシンクを自動で行います。加入者向けに提供され、10秒から5分までの単独話者動画に対応します。
ElevenLabsの音声読み上げアプリ「Reader」が世界展開、32言語に対応
ElevenLabsはテキスト読み上げアプリ「Reader」の世界提供を開始し、日本語を含む32言語に対応した。記事やPDF、電子書籍を取り込み、数百種類の自然な音声で朗読させることができる。Turbo v2.5モデルを搭載しており、今後はオフライン再生にも対応予定だ。
Tavus、開発者向け会話型動画インターフェース発表：遅延1秒未満でリアルタイム対話
Tavusは開発者向けに「Conversational Video Interface」を発表しました。見て・聞いて・話せるデジタルツインを構築でき、エンドツーエンドの遅延は1秒未満に抑えられています。ホワイトラベル対応でLLMやTTSも自由に差し替え可能です。
米俳優組合がNarrativと合意、広告向け「AI音声複製」の有償利用を解禁
米俳優組合 SAG-AFTRA はAI スタートアップ Narrativ と契約を結び、約 16 万人の組合員が広告向けに自身の AI 音声をライセンスできる仕組みを整えた。最低補償額以上の価格設定や案件ごとの承認権が保証され、AI 複製に対する倫理的な利用枠組みとして注目される。
Google、PixelとAndroidのアクセシビリティ機能をAIで強化
GoogleはPixelとAndroid向けにAIを活用した4つの新機能を発表した。「音声ガイド付きフレーム」が設定から直接起動可能になり被写体認識が向上したほか、拡大鏡アプリでは周囲の文字検索に対応。折りたたみ端末向け字幕のデュアル画面表示や、ライブ字幕の多言語対応も追加された。
OpenAIがGPT-4oの検証報告を公開：テスト中にユーザーの声を勝手に真似て発話する事態が発生
OpenAIが公開したGPT-4oのシステムカードによると、高度な音声モードのテスト中に、ノイズ混じりの入力からモデルが突然テスト担当者の声を模倣して発話する事例が確認された。同社は既に対策を講じたとしているが、わずかな音声から誰の声でも再現できてしまうAIの安全管理の難しさを浮き彫りにしている。
OpenAIがGPT-4oで警告：リアルすぎる音声が生む「感情的依存」
OpenAIはGPT-4oの安全性報告書を公開し、人間らしい音声対話によってユーザーがAIに感情移入し依存するリスクを警告した。テストでは別れを惜しむ発言も確認されたという。孤独を和らげる反面、現実の人間関係の希薄化や誤情報への過信を招く懸念がある。