音声AIのElevenLabs、8000万ドル調達でユニコーンに 音声収益化市場も展開
ElevenLabsはAndreessen Horowitzなどが主導するシリーズBで8000万ドルを調達したと発表した。あわせて、長編映画の翻訳や字幕編集ができる「Dubbing Studio」や、自身のAI音声を貸し出して収益を得られるマーケットプレイスを公開した。
AI音声
新しいニュースを見る
サムスン、「Galaxy S24」発表 GoogleのGemini搭載でかこって検索やリアルタイム通話翻訳に対応
サムスン電子はGoogleのAI技術を統合した新フラッグシップ「Galaxy S24」シリーズを発表した。端末上のGemini Nanoとクラウドモデルを組み合わせ、「かこって検索」や通話のリアルタイム翻訳、生成AI画像編集などを実現する。大手スマートフォンの標準機能として生成AIを本格導入する動きとなる。
Adobe、Premiere ProにAIオーディオ編集機能を追加：ノイズ除去が正式提供へ
AdobeはPremiere Proのパブリックベータ版に新しいAIオーディオ編集機能を導入した。音声をAIが自動で分類・タグ付けするほか、背景ノイズを一掃する「スピーチを強調」機能も2月中に全ユーザーへ正式公開される予定だ。
収監中のパキスタン元首相、AI音声クローンで獄中から選挙運動
日曜夜、パキスタンのカーン元首相の政党が ElevenLabs の音声合成技術を使い、同氏の声を再現した 4 分間の選挙演説動画を公開した。獄中からのメモをもとに作成されたオンライン集会は 50 万回以上再生され、政府が主要 SNS を遮断する騒動に発展している。
Meta、音声生成基盤モデル「Audiobox」の体験デモを公開
Metaは音声生成の基盤研究モデル「Audiobox」の体験デモを公開した。ゼロショット音声合成（TTS）やテキストからの効果音生成、音声のインフィリング（補完・修復）機能を備えており、ブラウザ上で直接各機能を試すことができる。
Meta、感情やリズムを保つ音声翻訳システム「Seamless」公開
Metaは感情や抑揚を保ちながら翻訳する新システム「Seamless」を公開した。約2秒の遅延で発話中に訳す「SeamlessStreaming」と、声のトーンや話速を維持する「SeamlessExpressive」で構成される。モデル群はSeamlessM4T v2を基盤としており、オープンソースとして提供される。
ElevenLabs、スタートアップ支援を開始：毎月1100万文字分の音声AIを3カ月無料提供
ElevenLabsは、従業員25人未満のアーリーステージ企業を対象にした支援制度「ElevenLabs Grants」を開始した。採択企業には製品開発向けに毎月1100万文字分の音声生成・吹き替え枠が3カ月間無償提供され、第1期で合計1000億文字分以上を配布する予定だ。
AWSの文字起こし「Amazon Transcribe」が生成AI対応、100言語に拡大
AWSは「re:Invent」イベントで、音声文字起こしサービス「Amazon Transcribe」に音声基盤モデルを導入したと発表。従来の39言語から100言語対応へと拡大し、精度も20〜50％向上したほか、問い合わせ通話の自動要約機能も追加された。
ChatGPTの音声会話機能が全ユーザーに無料開放、スマホで声のやり取りが可能に
OpenAIはChatGPTモバイルアプリの音声会話機能をすべての無料ユーザー向けに開放したと発表した。ヘッドホンアイコンをタップすれば声で質問し、音声で返答を受け取れる。9月の公開時は有料会員限定だった機能で、告知動画では同社を揺るがしていたCEO解任騒動を自虐する演出も話題となった。
Amazon、Alexa部門で数百人を削減：生成AIへの注力に向けた体制再編
AmazonはAlexaおよびFire TV事業部門で数百人規模の人員削減を行うことを明らかにしました。幹部の内部メモによると、経営資源を生成AI機能の強化へ重点的に再配分し、事業の優先順位に合わせるための判断だとしています。
マイクロソフトがAIアバター生成機能を公開：写真とテキストから動画作成
MicrosoftはIgnite 2023にて「Azure AI Speech text-to-speech avatar」のパブリックプレビューを公開しました。人物写真と原稿から発話動画を生成できるほか、1分の音声から声を再現するPersonal voice機能も追加。悪用防止のためカスタムアバターの利用には申請と書面同意を義務付けています。
アドビ、AIで雑多な音声をトラック分離する新ツールを披露
アドビは単一の録音データから人の声、拍手、笑い声、環境音などをAIでレイヤーごとに分離する実験的ツール「Project Sound Lift」を発表した。分離したトラックはPremiere Proで個別に音量調整できる。現時点では開発初期の「Sneak」段階となっている。
MetaがAudioboxを発表：テキスト指示で音声や効果音を自在に生成
Metaは音声や効果音、環境音を生成・編集できるAIモデル「Audiobox」を発表した。自然言語プロンプトで音の種類を指定できるほか、音声サンプルとテキスト指示を組み合わせた声質変更にも対応する。現在は一部の研究機関向けに限定提供されており、インタラクティブなデモも公開されている。
ElevenLabs、音声生成モデル「Turbo v2」公開 遅延約400msで従来比2倍高速化
ElevenLabsは最速の音声生成モデル「Turbo v2」を公開した。生成遅延を約400ミリ秒に抑え、初代モデルより2倍以上高速化しながら既存の高品位モデルと同等の音質を保つ。VoIP向けのmulaw 8khz出力にも対応した。
ドリトス、咀嚼音を消すAIツール発表：ゲーム通話中の「パリッ」を自動カット
ドリトスはPCゲーマー向けのAIノイズキャンセリングソフト「Doritos Silent」をリリースした。約半年の開発期間で数千の咀嚼音データを学習させ、ボイスチャット中にポテトチップスを食べる音だけをリアルタイムで消音する。Windows限定で無料提供される。
スカーレット・ヨハンソン、声を無断クローンしたAIアプリ開発元に法的措置
Varietyの報道によると、スカーレット・ヨハンソンがAIアプリ「Lisa AI」の開発元Convert Softwareに対し法的措置を講じている。同アプリの広告内で本人のAI生成音声が無断使用されており、免責表記はあるものの代理人弁護士は厳正に対処する方針を示した。
ElevenLabsが企業向けAI音声基盤を発表：対話エージェントと制作環境を統合
ElevenLabsは企業向け音声プラットフォームを発表した。対話ボットを構築・監視する「ElevenAgents」と高品質な音声や効果音を生成する「ElevenCreative」の2軸で構成され、SalesforceやZendeskなどの既存業務ツールと即座に連携できる。
ザ・ビートルズ最後の新曲が11月に登場、AIでレノンのボーカルを復元
ザ・ビートルズは最後の楽曲「Now and Then」を11月2日にリリースすると発表した。ピーター・ジャクソン監督チームの機械学習技術を使い、1970年代のデモテープからジョン・レノンの歌声だけを綺麗に抽出。4人の共作がついに半世紀の時を経て完成する。
ボストン・ダイナミクスがSpotにChatGPTを統合、喋る観光ガイド犬に
Boston Dynamicsは四足歩行ロボット「Spot」にChatGPTや画像認識モデルBLIP-2などを連携させたツアーガイドのデモを公開した。周囲の状況を把握しながら質問に答え、皮肉屋などのキャラクター付けにも対応する。基盤モデルによる自律的な判断力を実機で実証した形だが、応答に約6秒の遅延やハルシネーションなどの課題も残る。
D-IDがスマホアプリを公開：写真1枚とテキストから「話す動画」を生成
D-IDはiOSおよびAndroid向けモバイルアプリを公開した。静止画のアップロードとテキスト入力だけで、119言語や感情トーンに対応した最大10分間の人物動画を生成できる。月額5.99ドルからのサブスクリプション制で、14日間の無料トライアルが用意されている。