ChatGPT高度音声の元開発者がWaveForms創業、「音声チューリングテスト」合格を目指す

従来の音声アシスタントと会話して違和感を覚える最大の理由は、相手がこちらの声の調子を全く理解していない点にあります。皮肉を言っても、ため息をついても、機械はそれを単なるテキストに変換してから処理するため、感情の機微がすべて抜け落ちてしまいます。

2024年12月10日の報道によると、ChatGPTの高度な音声機能（Advanced Voice Mode）の開発に深く関わったConneau氏が、新スタートアップWaveFormsを立ち上げました。同社が掲げる目標は極めて野心的で、機械と人間の会話を聞き分けられない水準を目指す「音声チューリングテスト」の合格です。

音声をテキストに変換する限界を超える

既存の音声AIシステムの多くは、まず音声を文字起こしし、そのテキストをもとに回答を生成して再び音声に戻すという手順を踏んでいます。この方法では、声のトーンや抑揚、微妙な感情のニュアンスが文字化の段階で消え去ってしまいます。

WaveFormsが取り組んでいるのは、人間の発話に含まれる感情的なコンテキストを直接理解するモデルの開発です。相手の感情を正確に読み取り、文脈の機微を捉えた上で、人間同士のような滑らかな対話を成立させることを目指しています。

まずは一般消費者向けから展開

事業展開として、同社はまず一般消費者向けのコンシューマーアプリから着手する計画です。

これは、初期段階で多様なユーザーとの対話データを集め、感情理解の精度を素早く磨き上げるための戦略とみられています。一般向けプロダクトで技術基盤を固めた後、教育や医療、カスタマーサポートといったB2B領域へ展開していく青写真を描いています。

なぜ重要か

一般ユーザーにとって、今すぐ試せる独立したアプリが公開されたわけではありませんが、合成音声特有の棒読み感が消え去る未来が確実に近づいていることを示しています。

業界全体から見れば、OpenAIの高度な音声機能を支えた重要人物が独立したことで、リアルタイム音声モデルの競争が一段と激しくなるのは間違いありません。GoogleやElevenLabsなどの音声関連企業も、単なるテキスト読み上げから、感情をネイティブに扱うエンドツーエンドの音声モデルへの移行を迫られることになります。

消費者向けから始めてデータを集める方針は理にかなっていると考えられます。感情の機微は実験室のベンチマークだけでは再現しきれず、生身の人間との対話でしか洗練されないからです。一方で、本物の人間と区別がつかない感情表現を手に入れたAIは、詐欺やなりすまし、過度な感情移入といった倫理的な問題をこれまで以上に深刻化させる懸念があります。