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

電話を取ったとき、相手に「それ、本当にあなたの声？」と尋ねる時代がすぐそこまで来ています。

ゲーマー向けボイスチェンジャーで知られるスペイン発のスタートアップ Voicemod は、1450 万ドルの拡張資金調達を実施しました。2014 年創業の同社は、デスクトップ版のダウンロード数が 4000 万回を超え、月間アクティブユーザー数は 330 万人に達しています。今回のラウンドはマドリードを拠点とする Kfund 傘下の Leadwind が主導し、元 Discord CMO のファンドである Minifund や Bitkraft Ventures が参加しました。

同社がこれまで手掛けてきたのはデジタル信号処理（DSP）によるエフェクトで、自分の声にロボット風の加工を施すような機能が中心でした。しかし今、彼らは生成 AI をテコにして、声そのものをリアルタイムに着替えるツールへと舵を切っています。

声を着替える時代へ

従来のボイスチェンジは本人の声にフィルターをかける仕組みでしたが、生成 AI は完全に合成された別の声をリアルタイムに被せることを可能にします。顔を加工する写真フィルターのように、他人の声や架空のキャラクターの声をリアルタイムで纏えるようになります。

特に注力しているのが「歌声から歌声への変換（sing-to-sing）」です。ユーザーがマイクに向かって歌うと、その歌声がリアルタイムで往年の有名ボーカリストの声に変換されます。複数のモデルを切り替えれば、1 人でバンド全員のパートを歌い分けることすら視野に入れています。

Voicemod は昨年、AI 音声技術を持つ Voctro Labs を買収しました。同社は音楽家 Holly Herndon の AI ボイスクローンを手掛けたことで知られるチームです。すでに昨年 12 月には歌詞から歌を生成する text-to-song 機能を公開しており、現在はリアルタイム音声変換機能の統合を進めています。また、一般ユーザー向けアプリだけでなく、SDK や API を通じてゲームやハードウェアへの組み込みも進めています。

なぜ重要か

Voicemod の動きは、音声がテキストや画像と同じようにプロンプトやモデルによって自由に生成・変換される対象になったことを示しています。

ユーザーにとっての価値は、表現のハードルが一気に下がることです。歌唱力や声質に自信がないクリエイターでも、AI を介して思い通りのキャラクターボイスや歌声を制作できるようになります。Zoom 会議で声のトーンを整える「声のメイクアップ」としても使える日常的なツールになり得ます。

業界の視点で見ると、Voicemod の強みはすでに抱えている 330 万人の月間アクティブユーザーとゲーマーコミュニティです。ゼロからユーザーを集める必要がなく、既存の配信やボイスチャットの導線にそのまま生成 AI を流し込める点は他社に対して極めて有利に働きます。

ただし、大きな懸念はなりすましとセキュリティです。リアルタイムで他人の声を高精度に再現できるようになれば、声紋をパスワード代わりに使っている銀行認証などのインフラは根本的な見直しを迫られることになります。