OpenAIがGPT-4oの安全性評価書を公開、音声模倣対策や説得リスクを検証
OpenAIはGPT-4oのシステムカードと準備度スコアカードを公開した。サイバー攻撃や自律性などは低リスクと評価された一方、説得力は中判定となった。音声機能に伴う声の偽造やなりすましリスクに対し、100人以上の外部レッドチームを投入して多言語での検証と制限策を講じたとしている。
AI音声
新しいニュースを見る
Amazon Music、ポッドキャストを話題別に探せるAI機能「Topics」提供開始
Amazon MusicはAWSのAIを活用してポッドキャストの文字起こしや概要を解析し、話題ごとにタグ付けする「Topics」機能を発表した。エピソード詳細にあるタグをタップするだけで、同じ話題を扱う別番組の関連エピソードを横断して探せる。まずはモバイルアプリの人気番組から順次展開される。
Meta、ハリウッド俳優の声獲得へ数百万ドル提示か：AI音声機能向けに交渉中
報道によると、Metaはジュディ・デンチやオークワフィナら米人気俳優に対し、AIアシスタント向け音声のライセンス契約として数百万ドル規模の提示を行っている。9月のConnectでの発表を目指し、Ray-BanスマートグラスやSNS全体への搭載が計画されているという。
ChatGPT「高度な音声モード」の初期デモが話題：アクセント再現や発音矯正を披露
OpenAI が ChatGPT Plus ユーザーの一部を対象に提供を開始した「高度な音声モード」の検証動画がネット上で話題になっている。パイロットのアナウンス風の話し方や米国の地域方言、フランス語の発音矯正などを自然にこなす。今秋には全 Plus 会員向けに順次開放される予定だ。
米Taco Bell、ドライブスルーの音声AI注文を年内に数百店舗へ拡大
Yum! Brandsは全米のTaco Bellドライブスルー数百店舗に「Voice AI」注文技術を2024年末までに導入すると発表した。約2年間の試験運用を経て、従業員の負担軽減と待ち時間短縮を図る。米マクドナルドが類似テストを撤退したのに対し、百勝は拡大路線を突き進む。
VimeoがAI動画翻訳を提供開始、話者の声のまま29言語に吹き替え可能に
Vimeoは生成AIを活用した動画翻訳ソリューションを発表した。話者の声色やトーンを維持したまま、動画の音声と字幕を29言語に翻訳できる。50以上の言語入力に対応し、視聴者はプレーヤー内で多言語音声を直接切り替え可能。企業の研修やマーケティングにおける多言語展開のコストを大幅に引き下げる。
AIペンダント「Friend」が登場：99ドルで常に寄り添う相棒デバイス
Avi Schiffmann氏がAIコンパニオン端末「Friend」の予告映像を公開し、99ドルでの予約受付を開始した。生産性ではなく孤独解消に特化し、スマホと連携して常に話を聞いてくれる首掛け型デバイスで、2025年1月出荷予定。
NVIDIA、感情表現が可能なデジタルヒューマン「James」などを発表
NVIDIAはSIGGRAPHにて対話型デジタルヒューマン「James」やMaxine 3Dを発表しました。JamesはACEプラットフォームとElevenLabsの音声技術を採用し、ユーモアや感情を込めた応答が可能です。さらに2D動画からリアルタイムで3Dアバターを生成する技術も披露されました。
マスク氏、ハリス氏のAIディープフェイク動画をXに投稿 規約違反の疑い
イーロン・マスク氏はXで、ハリス副大統領の音声をAIで改ざんしたパロディ動画を投稿した。元動画にあった「パロディ」の注記を省いたため、誤認を招く合成メディアを禁じるX自身の規約に違反していると批判され、議員からも反発を招いている。
仏Kyutaiがリアルタイム音声AI「Moshi」発表、オープンソースで端末上でも動作
仏AI研究所Kyutaiは遅延わずか200ミリ秒の音声AIアシスタント「Moshi」を発表し、オープンソース化する方針を明かしました。70種類の感情表現に対応し、PCローカル環境でも相手の話を遮りながら自然に会話できます。
ElevenLabsがVoice Isolator公開：雑音や音楽を消し声だけ抽出
ElevenLabsは音声分離ツール「Voice Isolator」を公開した。独自の深層学習モデルにより、街の騒音や周囲の話し声、音楽を取り除き、人の声だけをクリアに抽出できる。WAVやMP3に対応し、ブラウザ上で月1万クレジットまで利用できる。
ElevenLabsが往年の名優の声を再現：ジュディ・ガーランドらが本を朗読
ElevenLabsは遺産管理団体と提携し、リーダーアプリでジュディ・ガーランドやジェームズ・ディーンらのAI音声を公開した。ガーランドの声で『オズの魔法使い』を聴くことなどが可能。ただし、これら象徴的な声はアプリ内での個人ストリーミング再生に限定され、外部への書き出しには対応しない。
米TIME誌、ElevenLabsと連携し記事の自動音声読み上げを導入
米TIME誌はElevenLabsと提携してTIME.comの一部記事に埋め込み型プレイヤー「Audio Native」を導入したと発表した。2023年3月から進めていたテキスト読み上げ技術の検証が実用化され、読者は記事を音声で手軽に聴けるようになる。
Character.AIがAIキャラとの音声通話機能を公開：日本語対応、遮断操作も可能
Character.AIはAIキャラクターとリアルタイムで通話できる新機能を一般公開した。日本語や英語など多言語に対応し、低遅延で発言の途中遮断やテキストとの切り替えもスムーズに行える。語学学習や面接練習などでの利用を見込む。
伝説の実況アナをAI化、Peacockがパリ五輪の個別ダイジェスト配信へ
米NBCUniversalは動画配信Peacockで伝説的実況アナのアル・マイケルズ氏の音声をAI再現した「Your Daily Olympic Recap」を発表した。ユーザーが選んだ競技に合わせ名前を呼びかけながら日次要約を届ける仕組みで、大会期間中に約700万通りの生成を見込む。誤情報を防ぐため人間の編集チームが全件事前審査する。
OpenAI、ChatGPTの高度な音声モードの提供を1カ月延期
OpenAIは当初6月下旬を予定していたChatGPT Plusユーザー向け「高度な音声モード」のアルファ版提供を1カ月延期すると発表した。安全フィルターの強化や負荷対策を進め、秋には全Plusユーザーへの展開を目指す。
ElevenLabs、AI音声で長文やPDFを読み上げる「Reader App」を公開
ElevenLabsはiOSとAndroid向けに「Reader App」を公開した。Web記事やPDF、ePubなどの文書を高品質なAI音声で自然に読み上げてくれる。最初の3カ月間は無料で利用可能。現在は英語のみだが、近く29言語以上に対応する予定だ。
Synthesia 2.0が登場：スマホ自撮りでアバター作成、手振り対応の全身モデルも予告
Synthesiaは企業向け動画プラットフォーム「Synthesia 2.0」を発表しました。スタジオ撮影なしで、スマホやウェブカメラから手軽に自分のアバターや30言語以上の複製音声を作成可能です。年内には身振り手振りを交えて話す全身AIアバターの導入も予定されています。
TikTok、広告向け生成AI「Symphony」にデジタルアバターと自動吹き替えを追加
TikTokはクリエイティブAI「Symphony」の新機能としてデジタルアバターとAI吹き替えを発表した。30言語以上に対応する事前登録アバターや独自カスタムアバターを提供し、動画を10言語以上に自動翻訳できる。撮影の手間をかけずに多言語広告を展開可能にする狙いだ。
Google DeepMindが「V2A」技術を発表、無音の生成動画に効果音や音声を自動同期
Google DeepMindは映像から音声を自動生成する「V2A」技術の研究成果を発表した。拡散モデルを用いて映像のピクセルとテキスト指示を解析し、手動調整なしで劇伴や効果音、台詞を映像に合わせて生成できる。現在は唇の動きとの同期などに課題があり、一般公開に向けたテストが続けられている。