本文へスキップ
IFAI

AI音声

業界タグニュース 572 件

  5. 研究拡散指数 36

    ByteDanceがWavTTSを発表：生波形への直接モデリングで高精度な音声クローンを実現

    ByteDanceはゼロショット音声合成モデル「WavTTS」を発表した。DiTとFlow Matchingを採用し、潜在空間への圧縮を行わずに生の音声波形を直接モデル化することで情報損失を回避する。わずか数秒の音声サンプルから自然な音声を生成でき、生波形による端ツー端生成の実用性を大きく前進させた。

  9. AIツール拡散指数 53

    Spotify、AIが個別生成する「パーソナルポッドキャスト」を発表

    Spotifyはの投資家向け説明会で、新機能「Personal Podcasts」を発表した。プロンプトやPDF、リンクを入力すると、AIがユーザーの聴取傾向と知識を組み合わせて個人専用の音声番組を生成する。来月より米国の有料会員向けに順次提供され、番組内容についてAIにリアルタイム質問できる機能も一部地域で先行開始された。

  13. AIツール拡散指数 51

    Amazon、AIがオンデマンドで番組を作る「Alexa Podcasts」提供開始

    米Amazonは米国のAlexa+加入者向けに新機能「Alexa Podcasts」の提供を開始した。ユーザーが気になるトピックを話しかけるだけで、AIが概要提案や対話形式での調整を経て数分でAI音声のオリジナル番組を生成する。ロイターなど200社以上の提携メディア情報を活用する。

  14. 研究拡散指数 36

    浙江大学が「AudioHijack」を発表：人間に聞こえない音声でAIアシスタントを乗っ取り

    浙江大学の研究チームはAI音声モデルを不正操作する新手法「AudioHijack」を発表した。人間の耳には聞こえない微小な信号を音声に潜ませ、79〜96%の成功率で機密検索やデータ流出などのコマンドを実行させる。MicrosoftやMistralの商用音声サービスでも脆弱性が確認された。

  15. AIツール拡散指数 39

    EdgeがCopilot機能を大幅刷新：複数タブの横断推論やポッドキャスト生成に対応

    Microsoftはデスクトップおよびモバイル版EdgeのCopilot機能を大幅に刷新した。開いている複数タブを横断して比較・分析できる推論機能や長期記憶、音声・視覚による操作を追加。さらにタブの内容をポッドキャスト化する機能も備えた。従来の「Copilot Mode」は提供を終了する。

  16. 画像・動画生成拡散指数 41

    Resemble AI、台本形式で笑い声やため息まで演じ分ける音声モデル「DramaBox」公開

    Resemble AI は表現力豊かな音声合成モデル「DramaBox」を公開した。脚本のように引用符内にセリフ、引用符外に感情やため息、笑い声などのト書きを書くだけで演技を細かく指示できる。音声クローンや改ざん耐性のある電子透かしに対応し、ローカル実行用のモデルも提供されている。

  17. オープンソース拡散指数 48

    2BパラメータのオープンソースTTSモデルが登場、数秒の音声で声色やささやき声まで再現

    20億パラメータのオープンソース音声合成モデルが公開された。わずか数秒の音声からゼロショットで声色を複製でき、ささやき声や吃音といった細かなニュアンス、他言語での発話にも対応する。サイズは約5GBで民生用GPUで動作し、Apache 2.0で商用利用も可能だ。

  19. AIモデル拡散指数 55

    Thinking Machinesが対話モデル発表：ターン制を廃止し、200ms単位でリアルタイム協調

    Thinking Machinesが対話モデルの研究プレビューを公開しました。従来の交互発話型と異なり、200ミリ秒単位のマイクロターンで音声・映像・テキストを常時処理します。深い思考を担うバックグラウンドモデルと連携し、相づちや自然な割り込み、同時発話といった人間に近い協調作業を実現します。