Spotify、ポッドキャスターの声をAI複製して広告読み上げさせる技術を開発中か
米TechCrunchなどはSpotifyがポッドキャスト配信者の声をAIで再現し、本人の収録なしでスポンサー広告を自動生成する技術を開発中だと報じた。配信者の許諾を得た上で地域ターゲティングや多言語広告への展開が見込める。Spotify側は探求段階としつつ、公式な発表はないとしている。
AI音声
新しいニュースを見る
Meta、1100以上の言語に対応する音声AIモデル「MMS」をオープンソース公開
Metaは音声AIモデル群「Massively Multilingual Speech（MMS）」のモデルとコードを公開した。音声認識と音声合成の対応言語を従来の約100言語から1100以上に拡大し、4000以上の話し言葉の識別も実現。聖書などの多言語音声データを活用して学習データ不足を克服し、言語多様性の保護を支援する。
Appleがアクセシビリティ新機能を発表、15分の録音で「自分の声」をAI生成
AppleはiPhoneやMac向けの新アクセシビリティ機能を予告した。目玉となる「パーソナルボイス」は、ALSなどで発話能力を失う恐れのある人向けに、15分のテキスト読み上げから本人の声をデバイス上で生成・再現する。年内に順次提供される予定。
ウェンディーズがGoogleと提携、ドライブスルーに注文用AIを導入へ
米ファストフード大手のウェンディーズはGoogleの大規模言語モデルを活用した自動注文システム「Wendy's FreshAI」を発表した。専門用語を学習させ、6月にオハイオ州コロンバスの店舗で試験運用を開始する。
Humane、画面のないウェアラブルAI端末をTEDで初公開 手のひらに画面投影
米スタートアップHumaneがTEDカンファレンスで披露したウェアラブルAIデバイスの全編映像が公開された。胸元に装着する小型端末で、スマホ不要で動作し、手のひらに着信画面を投影したり、本人の声を模倣してリアルタイム翻訳を行ったりできる。脱スマホを目指す意欲作だが、実用性にはまだ多くの疑問が残る。
GoogleがAIパーソナライズ補聴技術を開発、騒音下でも人の声を分離
Googleは人工内耳大手のCochlearや医療研究機関と共同で、AIを活用した個別最適化補聴技術の開発を進めている。騒がしい環境でも特定の音源を識別・分離し、レストランなどでの会話を聞き取りやすくする狙いだ。
GrimesがAI音声ソフト「Elf.Tech」公開、自身の声を提供し印税50%分配
今週、アーティストのGrimesがAI音声ソフトウェア「Elf.Tech」を公開した。音声をアップロードすると彼女特有の歌声に変換でき、楽曲制作に利用できる。原盤印税を50%シェアすれば商用配信も可能だ。権利侵害を阻止するのではなく、自身の声をオープンソース化して収益を分け合う試みとして注目される。
Amazon Music、ポッドキャストにAI生成のチャプターと要約を追加へ
報道によると、Amazon Music はポッドキャストに AI が自動生成するハイライトとチャプター機能をまもなく導入する。買収した音声 AI 企業 Snackable AI の技術を活用し、全編を聴かずに目的の話題へ直接スキップできるようにする。
ElevenLabsが多言語音声合成v1を公開：独・仏・西など7言語に対応、元の声質を維持
ElevenLabsは音声合成モデル「Eleven Multilingual v1」を発表しました。新たにフランス語、ドイツ語、ヒンディー語、スペイン語など7言語に対応し、話者固有の声質やアクセントを保ったまま多言語音声を生成できます。音声クローン機能とも連携しますが、一部の数字や略語が英語読みになる制限があります。
アーティストのGrimes、自身のAI音声を使った楽曲の印税50%分配を提案
アーティストのGrimesは、自身の声を模倣したAI楽曲が成功した場合、印税を50%ずつ分配すると発表した。レーベル契約の縛りがないため著作権侵害の心配はなく、アートのオープンソース化に向けた実験台になる意向を示している。
Humane、TEDで画面のないAIウェアラブル端末を初披露
元Apple社員が率いるHumaneがTEDで開発中のAIウェアラブル端末を初公開しました。スマートフォンを介さず音声とジェスチャーで操作し、手のひらに情報を緑色で投影する仕組みです。会場では自身の音声をフランス語へ即座に翻訳するデモも行われました。
息子の声をAIで複製、米テキサスの夫婦が約5000ドルの詐欺被害に
報道によると、米ヒューストンの夫婦がAIで息子の声を偽造した電話詐欺に遭い、保釈金名目で5000ドルを騙し取られた。専門家はSNSの短い音声からでも簡単に声を作れると警告しており、緊急の送金要請には本人への直接確認が不可欠だ。
Google、1000言語対応を目指す音声AIモデル「USM」の進捗を公開
Google は1000 言語の理解を目指す音声基盤モデル「USM」の詳細を発表した。20 億パラメータを備え、1200 万時間の音声データで学習されており、すでに 100 以上の言語で自動認識や翻訳に対応する。現在は YouTube の自動字幕生成にも実用化されている。
OpenAIがChatGPTとWhisperのAPIを公開：価格は従来の10分の1に
OpenAIはGPT-3.5 TurboおよびWhisperのAPI提供を開始した。gpt-3.5-turboは1000トークンあたり0.002ドルと従来の10分の1に値下げされ、Whisperは1分0.006ドル。さらにAPI経由のデータはデフォルトでモデル学習に使用されなくなった。
音声変換の Voicemod が約 1450 万ドル調達、リアルタイム AI 音声に注力
音声処理ツールを提供する Voicemod が 1450 万ドルの資金調達を発表した。買収した Voctro Labs の技術を統合し、リアルタイムでの AI 音声変換や歌声を別の声に変換する機能の開発を加速する。SNS やゲーム通話でフィルターのように手軽に着脱できる音声アバターの普及を目指す。
Spotifyが「AI DJ」提供開始：好みの曲をリアルな音声解説付きで自動選曲
Spotifyはパーソナライズ機能「DJ」のベータ版を発表した。OpenAIの生成AIとSonanticの音声合成技術を組み合わせ、ユーザーの好みに合わせた選曲に加え、楽曲やアーティストの解説をリアルな声で届ける。まずは米加の有料会員向けに英語で提供される。
音声のAI無断学習に反発：AppleとFindawayが声優の音声利用を停止
オーディオブック配信大手のFindawayとAppleが、俳優組合SAG-AFTRAの抗議を受け、組合員の音声データを用いた機械学習を停止することで合意した。契約書にAI学習を許可する条項が紛れ込んでおり、声優から「自分たちの仕事を奪うAIに声が無断利用されている」と怒りの声が上がっていた。
マクドナルドのドライブスルーAIが誤注文連発、TikTokで炎上中
報道によると、マクドナルドのドライブスルーに導入されたAI音声注文ボットの誤作動を嘆く動画がTikTokで話題を呼んでいる。アイスを頼んだのにバターを登録されたり、250ドル超のナゲットを勝手に追加されたりする事態が発生。人手不足解消を狙う自動化だが、接客の完全代替にはまだ遠いようだ。
アマゾンCEOがChatGPTに言及：「興奮しているが、我々も長年同様の技術を開発してきた」
アマゾンのアンディ・ジャシーCEOは、ChatGPTのような生成AIに期待を示しつつ、自社も長年大規模な独自モデルを開発してきたと語った。マイクロソフトに先行されているとの懸念に対し、アマゾンはAlexaの対話機能強化やスタートアップとの連携を進めているという。
Twitchで「となりのサインフェルド」をAIが無限生成、台詞も演出も全自動で1か月超配信
報道によると、Twitchの配信番組『Nothing, Forever』が1か月以上にわたりAI生成のシットコムを放送し続けている。GPT-3による会話生成や合成音声、自動カメラ割りで米名作コメディを再現。バグや不条理な展開も多いが、終わりのないエンタメ生成への野心的な試みとなっている。