本文へ移動
assaynotes
EN日本語中文

#音声

今日 0 件

11月14日

土曜日

  2. MetaのMuse、ユーザーに代わって店舗へ電話できるが、AIと気づかれ切られることも多い

    MetaのAIエージェントMuseは現在、ユーザーに代わって米国の店舗に電話をかけられる。この機能は9月のテストを経て、米国の有料Muse購読者全員に開放された。Meta AI責任者のAlexandr Wang氏によると、Museのユーザーはすでに1000万人を超え、ケーブルテレビ会社やDMV、レストランなど面倒な電話を代行できるほか、まもなく無料のメールアドレスも付与される。

11月13日

金曜日

  1. ElevenLabs、会議記録と音声入力の実験的アプリ「ElevenAI」を公開

    ElevenLabsは今週、会議記録、音声入力、エージェント連携を一つにまとめた実験的アプリ「ElevenAI」を公開した。現在はプレビュー段階で、早期アクセスの申し込みが必要。会議をまたいだデータ検索や会話中のリアルタイム支援が可能で、ElevenAgentを通じてメール下書きの作成などの後続アクションも実行できる。音声入力は90以上の言語に対応し、業界用語の認識もできるという。

  2. MetaのMuse、米国の店舗への電話発信を代行 有料購読者限定

    Metaのコンシューマー向けAIエージェントMuseが、米国の店舗への電話発信をユーザーに代わって行えるようになった。この機能は有料購読者に限られる。従来は一部の早期利用者が申請したうえで試せるだけだったが、現在は有料ユーザーなら誰でもこの種の依頼ができる。Museの購読料は月20ドル（週5億Museトークン）から、月100ドルで30億トークンのプランもある。

11月12日

木曜日

  2. Apple HomeViewをレビュー、質問を受け付け中

    The Vergeのシニア・スマートホームレビュアー、Jen Tuohy氏が、Apple初のスマートディスプレイ「HomeView」（299ドル）を1週間かけてテストした。卓上版と壁掛け版の両方を試し、新しいSiriのAI機能も体験。キッチンのカウンター、ベッドサイド、オフィス、玄関などに設置し、料理やスマートホームの操作、通話に使用した。購読者はコメント欄で質問でき、同氏が東部時間の今日午後2時から回答する。

  3. Amazon SageMaker AIの双方向ストリーミング推論に従量課金を導入

    Amazon SageMaker AIの双方向ストリーミング推論に従量課金が加わった。モデルプロバイダーは、リアルタイムストリーム中の実際の利用量をAWS Marketplaceに報告できる。ローンチパートナーのDeepgramは、従量課金のSTTとTTSをAWS Marketplaceに導入する。計測記録は独立したメタデータ用WebSocket接続で送信され、SageMaker AIエンドポイントのインフラ費用は従来どおり別途発生する。

11月11日

水曜日

  1. DeepL Voice、Aureモデルを導入　リアルタイム翻訳で話し方の抑揚や速さを再現

    DeepLはDeepL Voice向けに新モデルAureを発表した。話し手の抑揚、感情、強調、話す速さを翻訳先の言語に反映でき、会話開始時に取得した固定の音声サンプルに依存しない。Aureは会話の進行中に翻訳文と元音声を継続的に分析し、学習時に声の特徴、イントネーション、内容を分離して個別に転移させるほか、強化学習で訛りを抑える。

  2. Adobe、AI実験プロジェクトを公開：写真の中を歩き、キャラクターと対話してオーディション

    Adobeは年次イベントMaxで複数の実験的AIツールを発表した。Project Screen Testは対話を通じてAIキャラクターを形作り、オーディション動画を生成できる。Project Sight Spanは平面画像を自由に視点を動かせる3Dシーンに変換する。

11月10日

火曜日

  1. SpotifyのAI DJ、複数の音声と個性を追加、解説を減らすことも可能に

    SpotifyはAI DJに選択可能な音声と個性を追加した。Premiumユーザーは英語とスペイン語の複数のアクセントの音声を切り替えられ、曲間の解説をオフにできる。英語は英国、米国、アイルランド、オーストラリア、インドのアクセントを含む7種類。スペイン語は新たにNicoとFabiの2種類が加わり、従来のLiviに代わる。既存の音声「X」は残る。

  2. Otter.ai、30言語以上に対応する多言語文字起こし機能を追加

    Otter.aiは多言語対応の拡張を発表した。同じ会議の中で話者の言語が切り替わっても追従できる多言語文字起こし機能を追加し、新たに27言語に対応する。完了後は計31言語となる。このうち中国語、韓国語、ドイツ語、イタリア語、広東語など13言語はすでに提供を開始しており、残る14言語は近日提供予定。新言語はOtter独自の音声モデルに基づき、公開データセットで学習し、ネイティブのボランティアが転写精度を校正した。

11月6日

金曜日

  1. Underdog、32MBの音声モデル「Woof」を公開　ブラウザでオフライン動作

    Underdogは新音声モデル「Woof」を使ったブラウザゲームのデモを公開した。モデルはわずか32MB、3100万パラメータで、同社はほとんどの端末でネット接続なしに動作するとし、ダウンロードも開放している。デモではタイプライターに任意の文字を入力するとモデルが読み上げ、チューナーを回すと異なる音楽を生成できる。Underdogは数週間前に端末向け音声認識モデル「Bark」（167MB）も発表しており、創業者のSigil Wen氏は、現在の能力の高いモデルの多くを数カ月以内にユーザーの既存端末で動かしたいと述べている。

  2. Open ASR Leaderboardにエジプトとナイジェリアの英語アクセントの非公開データを追加

    Hugging FaceのOpen ASR LeaderboardはLiva AIと提携し、エジプトとナイジェリアの2種類の英語アクセントの非公開評価データを追加した。エジプト・アクセントのデータは1.34時間、ナイジェリア・アクセントは1.55時間で、いずれも会話形式の自発音声であり、書き起こしには句読点、大文字小文字、非流暢語が含まれる。また、Kachruの三円モデルに基づくアクセント分類を新設し、米国と非米国、内円と外円・拡張円のアクセントを区別する。

  4. Meta、Muse AIエージェントに音声モードと動くアバターを追加

    MetaのCEO、Mark Zuckerberg氏は、Muse AIエージェントがリアルタイムの音声対話に対応し、アバターが話す内容に合わせて動くと発表した。この機能は米国のiOSアプリで提供を開始しており、Metaはまもなく同社のAIグラスにも対応し、今年出荷予定のMuse Charmデバイスでも利用可能になるとしている。The Vergeの記者が試したところ、音声応答は比較的速いものの、情報を調べる際に時折間が空くことがあった。音声のトーンは会話またはアバター設定から調整できる。

11月5日

木曜日

  1. SoundCloud、ElevenLabsと提携しAI楽曲の直接公開に対応

    SoundCloudはElevenLabsと提携し、ElevenLabsで生成した楽曲を書き出してダウンロードすることなく、直接SoundCloudへ公開できるようにする。SoundCloud Artist Proの購読者はElevenMusic Proを3か月無料で利用できる。ElevenLabsからSoundCloudへ直接公開された楽曲にはAI由来であることが表示される。

11月4日

水曜日

  1. Cartesia、SSMモデルでAWS上に超低遅延の音声AIアプリを構築する方法

    AWSパートナーのCartesiaは、State Space Model（SSM）アーキテクチャに基づくリアルタイム音声AIを開発した。テキスト読み上げのSonicと音声認識のInkはいずれも最初のバイトまでの遅延が100ms未満で、Sonicは約90msで最初の音声バイトを出力する。

  2. Apple、watchOS 27.3開発者ベータでAudio Intelligenceの常時リスニング機能を公開

    AppleはwatchOS 27.3開発者ベータでAudio Intelligenceを導入し、SiriがApple Watchのマイクにアクセスできるようにした。新機能のSiri Recapは環境リスニングで会話の要約を生成し、Live Rewindは過去15秒の音声の文字起こしを生成、デジタルクラウンをダブルクリックすると表示できる。

10月31日

土曜日

10月30日

金曜日

  1. RivianとVWの58億ドル合弁、AIアシスタントに拡大 技術はID EVERY1に初搭載か

    RivianはAI音声アシスタント技術の一部をVWグループにライセンス供与し、両社の58億ドルの合弁事業に組み込む。同アシスタントは2026年5月にR1SとR1T、10月にR2で提供開始済み。VWでこのソフトウェアと電子アーキテクチャを初採用する車種は低価格EVのID EVERY1とみられる。Rivianはライセンス料と対象車種の範囲を明らかにしていない。

  2. Granola、音声入力機能を投入　Wisprと正面衝突

    会議記録ツールから出発したGranolaが音声入力機能を公開した。MacでFnキーを押せば音声入力ができ、ツールがテキストを自動で整えて整形する。あらゆるアプリでメモやプロンプト、メールの返信を貼り付けられ、文字数無制限で無料で使える。同機能はiOSとWindowsにも順次対応する予定。これに先立ちWisprは音声入力ツールから会議記録へと領域を広げており、FirefliesやSpeechify、Monologueなど音声アプリも多機能化の方向にある。

10月29日

木曜日

  2. IBM Granite Switch 4.1.1 パッチ公開：ソフトウェアを更新するようにモデルを更新

    IBM は Granite Switch 4.1.1 パッチ版を公開した。4.1 と完全な後方互換性があり移行は不要で、基盤モデルは再計算せずアダプターのみを更新した。今回の更新には、10 言語に対応し句読点と大文字小文字をネイティブに扱う Granite Speech ASR モデルと、Jev Decision Index テストセットで性能が向上した granitelib-core の Decision アダプターが含まれる。

  3. Deepgram、Pipecat開発元のDailyを買収 リアルタイム文脈標準RCSも発表

    Deepgramは、オープンソースの音声AIフレームワークPipecatの開発元であるDailyを買収すると発表した。取引額は非公開で、両社はPipecatを永久にオープンソースかつベンダーニュートラルに保つと約束している。Dailyの累計調達額は6200万ドル超。両社は2016年のY Combinatorで同じバッチだった。Deepgramは今年前半に1億3000万ドルのシリーズCを完了し、ユニコーン入りしている。

10月28日

水曜日

  2. NVIDIA RTX Spark ノートPCのアップデート：Nemotron 3.5 Transcribe、Agentのリソース管理、ゲーム対応を追加

    NVIDIAはRTX Sparkの薄型軽量ノートPC向けに一連のアップデートを提供する。オープンウェイトの音声モデルNemotron 3.5 Transcribe、Liquid AIのLFM3シリーズモデルへの対応、NVIDIA AppでフォアグラウンドアプリとバックグラウンドAgentの間でGPUリソースを配分できる制御項目などが含まれる。

  3. NVIDIA、オープンソース文字起こしモデル Nemotron 3.5 Transcribe を公開

    NVIDIA は無料のオープンウェイトモデル Nemotron 3.5 Transcribe を公開した。最大 40 言語の音声を文字起こしでき、31 言語と英語の相互翻訳にも対応する。最長 1 時間の録音を処理でき、最大 8 人の話者を区別できる。NVIDIA は Hugging Face Open ASR Leaderboard などのベンチマークで競合製品を上回るとしている。

10月27日

火曜日

10月25日

日曜日

  1. Block、ローカル実行可能な全二重音声モデル「Dessa」を発表

    Blockの研究ラボが音声モデル「Dessa」を発表した。ローカルで動作し、笑い声や間、泣き声などの人間らしい表現を備える。全二重の音声対音声モデルで、話しながら同時に聞き取ることができ、公式によれば完全に人間の音声で学習され、MacBook M4 Max以上のコンシューマー向けPCで動作する。現在Dessaは一般公開されておらず、Blockは安全研究者を募ってテストを進めている。

10月24日

土曜日

  1. Block、人間の音声だけで学習したモデルDessaを発表

    Blockは音声モデルDessaを発表した。テキストデータを一切使わず、人間の音声のみでゼロから学習した初のAIモデルだとしている。音声を直接音声として処理し、感情や皮肉、笑い、間をリアルタイムで捉え、全二重で同時に聞くことと話すことが可能だ。MacBook Pro M4 Maxでローカル動作し、学習にはNVIDIA GB200 NVL72を1台使用した。Dessaは未公開で、チームは予期せぬリスクを検証するAIセキュリティ研究者を募集しており、関心がある人はフォームから応募できる。

10月23日

金曜日

  2. Amazon SageMaker AI 上の TTS 自動スケーリング目標値、推測はもう不要

    自前でホストする TTS エンドポイントの自動スケーリング目標値を推測に頼る問題に対し、AWS は Amazon SageMaker AI のリアルタイムエンドポイントに 8200 万パラメータの Kokoro-82M をデプロイし、実測した Q_max（1 インスタンスが SLO 内で処理できる最大同時実行数）と T_total（スケールアウト 1 回のエンドツーエンド所要時間）から、スケールアウトしきい値、スケールインしきい値、2 つのクールダウン時間を算出した。