EVI 2が新機能「Voice Control」公開、スライダーで音声を微調整

最近のAI音声アシスタントを使っていると、どのサービスも似たようなプリセット音声ばかりで個性に欠けると不満を感じたことはないでしょうか。

自社ブランドに合った声を用意しようとすると、これまでは既製の音声で妥協するか、法的なリスクや品質のばらつきを覚悟して音声クローンに手を出すしかありませんでした。プロンプトによる指示も、セッションごとにニュアンスがぶれがちです。

感情AIを手がけるHume AIは12月2日、同社の「Empathic Voice Interface 2（EVI 2）」向けに、スライダー操作で音声を微調整できる新機能「Voice Control」を発表しました。音声クローンを使わずに、独自かつ一貫性のある合成音声を生成するアプローチです。

10項目のスライダーで声を直感的に造形する

人間の耳は声の微細なニュアンスを敏感に聞き分けますが、それを言葉で言語化してプロンプトで指示するのは非常に困難です。

Voice Controlでは、ベースとなる音声に対し、人間の知覚に沿った10種類のパラメータをスライダーで操作します。具体的には、男声・女声の傾向、積極性、軽快さ、自信、熱意、鼻音の強さ、リラックス度、滑らかさ、平淡さ、緊張感の10項目です。

各スライダーはマイナス100からプラス100までの範囲で連続的に変更でき、初期値の0にしておけばベースの音声がそのまま維持されます。独自の特徴として、特定のパラメータを動かしても他の要素に影響が及びにくい「特徴の分離」を実現しており、狙ったニュアンスだけをピンポイントで調整できます。

この機能はノーコードのテスト画面ですぐに試すことができ、リアルタイムに試聴しながら設定をそのままAPIに反映できます。ただし、現在はベータ版のため、極端なパラメータ設定を組み合わせた場合に音声の安定性が低下する課題が残っているとのことです。

なぜ重要か

今回の取り組みは、音声AIの商用利用における大きなハードルを賢くクリアした一歩だと評価できます。

企業にとって、実在の人物の声を模倣するクローン技術は、肖像権やなりすましなどの法的・倫理的リスクが付きまといます。Voice Controlなら、誰の権利も侵害しない完全に架空の音声を、短時間でブランドイメージに合わせて作り込むことが可能です。

開発者やプロダクト担当者にとっても、すぐに試す価値は十分にあります。プロンプトによるトーン調整は再現性が低く、同じ指示でも会話によってばらつきが出やすいのが難点でした。数値をスライダーで固定できる本機能は、セッションをまたいでも同じ声のトーンを維持できるという運用上の高い再現性を提供します。

業界全体で見れば、音声対話モデルの競争軸が「自然に話せるか」から「ブランドごとに制御可能か」へと移行しつつあることを示しています。極端な値での品質劣化という制限には注意が必要ですが、既成プリセット音声に縛られていたサービスにとって強力な選択肢になるはずです。