急速に発展を続けるポッドキャスト業界において、Podcastleプラットフォームは先日、最新のAIテキスト読み上げモデルAsyncflow v1.0を発表しました。この新しいモデルは、ユーザーに450種類以上のAI音声を提供するだけでなく、開発者向けにAPIインターフェースも公開し、テキスト読み上げ機能を彼らのアプリケーションに直接統合することを可能にしています。Podcastleの創設者Arto Yeritsyan氏は、同社が常にテキスト読み上げ機能の開発を目指してきたと述べています。

Sesame社が最近発表した音声合成モデル「Conversational Speech Model（CSM）」が、Xプラットフォームで話題を呼んでいます。まるで人間が話しているかのような音声モデルとして高く評価されています。このモデルは、その驚くべき自然さと感情表現力で、ユーザーは人間との区別がつかなくなり、「音声分野の不気味の谷効果を克服した」と発表されています。デモ動画とユーザーフィードバックが広まるにつれ、CSMは急速にAI音声技術の最先端となっています。

2024年末に海螺AI海外版がAI音声クローン機能をリリースしたのに続き、Hailuo AIは先日、新しい音声モデルT2A-01-HDを発表しました。T2A-01-HDは音声クローンに対応し、感情豊かな音声を生成できます。公式によると、T2A-01-HDは元の音声モデルをベースに音質が向上し、優れたクローン精度を実現しています。ただし、T2A-01-HDは現在オープンソース化されておらず、ユーザーはWebサイトで無料で利用できます。Hailuo AIへアクセス

2023年に設立されたVapi社は、このほどBessemer Venture Partnersをリードインベスターとし、Abstract Ventures、AI Grant、Y Combinator、Saga Ventures、Michael Ovitzからの投資を受けて、2000万ドルのシリーズA資金調達を完了したと発表しました。生成音声モデルが人間とのインタラクションレベルに近づきつつある中、多くの企業が—

この度、Play AIは最も野心的な製品であるPlayDialogベータ版を正式にリリースしました。対話型のポッドキャスト音声の生成が可能です。このエンドツーエンドのAI音声モデルは、対話履歴のコンテキストを利用して、トーン、感情、速度を調整し、より自然な音声合成を実現します。これは、人間と機械の対話の新たな高みを示すものです。PlayDialogは、ナレーション、音声吹き替え、ポッドキャスト合成など、リアルな対話体験の作成に特に適しており、ビジネス環境においても没入型の1対1音声を提供できます。

現代のテクノロジーの波の中で、対話型AIは私たちの生活において重要な一部となっています。しかし、迅速で効率的、そしてリアルタイムでのインタラクションは依然として大きな課題です。特に遅延の問題、つまり入力と応答の間の時間差は、カスタマーサポートボットやバーチャルアシスタントの体験を遅くし、ユーザーエクスペリエンスに悪影響を与えることがよくあります。このギャップを埋めるため、Standard Intelligence Labは最近、8.5億パラメーターの音声モデルであるオープンソースのHertz-Devを発表しました。

米国俳優組合SAG-AFTRAと人工知能企業Ethovoxは最近、人工知能音声モデルにおける俳優の権利保護を目指す合意に署名しました。この合意の主な目的は、エンターテインメント業界におけるAI利用のための責任ある枠組みを構築し、新技術時代における俳優の権利を保護することです。この合意によると、俳優は音声収録時に前払いを受け取り、その後も収益を分配します。つまり、俳優は自分の声がAIモデルに使用された場合、公平な報酬を得ることができるということです。

全米映画俳優組合（SAG-AFTRA）は先日、AI音声企業Ethovoxと画期的な合意に署名し、俳優の音声データのAI利用に関する明確な基準を定めました。この合意は、エンターテインメント業界におけるAI技術の利用のための信頼できる枠組みを提供するだけでなく、俳優の権利保護のために新たな基準を打ち立てました。合意の内容によると、俳優は二重の収益保障を受けます。一つは音声収録の前払い料金、もう一つはAI音声モデルの利用から生じる継続的な収益分配です。さらに重要なのは、音声データのあらゆる利用について...

報道によると、マイクロソフトアジア研究院の元主席研究マネージャーである譚旭氏は8月、大規模言語モデル開発スタートアップ企業の月之暗面に参画し、エンドツーエンドの音声モデルの開発を担当することが分かりました。譚旭氏の参画により、同社はGPT-4oに類似した音声体験を提供することを目指しています。月之暗面側は現時点ではコメントを発表していませんが、内部関係者によると譚旭氏の入社は確認されており、現時点では具体的な役職は明らかになっていません。公開情報によると、譚旭氏の研究分野は深層学習、言語／音声／音楽処理、AIによるコンテンツ生成であり、AI関連の学術会議で数多くの論文を発表しています。

カリフォルニア大学ロサンゼルス校とアマゾンの研究者らが、大規模言語モデル（LLM）の推論能力を詳細に分析した最新の研究。帰納的推論と演繹的推論という2つの能力を初めて体系的に区別し、AIシステムにとってそれぞれの難易度を探った。画像出典：AI生成画像、画像ライセンス提供元Midjourney 帰納的推論とは、具体的な観察から一般的な法則を導き出すことであり、演繹的推論とは、一般的な規則を特定の事例に適用すること。研究の目的は、どちらの推論能力が大型…

先日、ジョンズ・ホプキンス大学とテンセントAIラボが共同で、EzAudioという新しいテキスト音声変換モデルを発表しました。この技術は、前例のない効率性と高品質でテキストを音声に変換することを約束しており、人工知能と音声技術の大きな飛躍を意味します。EzAudioの動作原理は、従来のスペクトログラムではなく、音声波形の潜在空間を利用することにあります。この革新により、EzAudioは高時間分解能で動作し、追加のニューラルボコーダーを必要としません。EzAudioのアーキテクチャはEzAuと呼ばれます。

2024年8月21日開催の火山引擎AIイノベーションツアー上海会場において、火山引擎は豆包大規模言語モデルの全面的なアップグレードを発表しました。これには、豆包・テキスト生成画像モデルによる長文テキストのより正確な画像マッチング機能、複数の公開テストセットにおける豆包・音声認識モデルのエラー率最大40％の削減、そして豆包・音声合成モデルへのリアルタイム対応と正確な句読点付与が可能なストリーミング音声合成機能の追加が含まれます。火山引擎はまた、豆包大規模言語モデルとリアルタイムの音声ビデオ技術を統合した対話型AIリアルタイムインタラクションソリューションを発表し、エンドツーエンドの...

アリババは最近、新たなオープンソースの音声モデルQwen2-Audioを発表しました。このモデルは音声認識、翻訳、音声分析において優れた性能を発揮し、大幅な性能向上を実現しています。Qwen2-Audioは、基礎版と命令微調整版を提供しており、中国語、広東語、フランス語、英語、日本語など複数の言語に対応し、感情分析や翻訳アプリケーションに利便性をもたらします。Qwen-Audioと比較して、Qwen2-Audioはアーキテクチャと性能において全面的な最適化が行われ、事前学習段階ではより自然な言語プロンプトが採用されています。

上海交通大学とバイトダンスが共同開発した全二重型言語モデルLSLMは、従来のAIアシスタントのインタラクションモデルを覆し、聞きながら話せるリアルタイムインタラクションを実現しました。LSLMの最大の強みは、音声入力と生成出力を同時に処理できる点で、対話の自然さと流暢さを大幅に向上させています。ストリーミング自己教師あり学習とトークンベースのデコーダを組み合わせることで、リアルタイム音声インタラクションをサポートし、騒音環境下でも優れた性能を発揮します。LSLMの中間融合戦略は、音声生成とリアルタイムインタラクションの最適なバランスを実現し、強力なノイズ耐性を示しています。

大規模言語モデル（LLM）は自然言語処理タスクの推進に重要な役割を果たしていますが、クロスモーダルなコンテンツ生成は依然として課題となっています。復旦大学チームは、モデルが音声とテキストコンテンツを理解し生成することを目指したSpeechGPTを発表しました。SpeechGPTは音声信号を離散化することで、テキストモダリティとの互換性を確保し、音声の知覚と生成能力を備えています。このモデルは感情を感知し表現することができ、コンテキストと指示に基づいて様々なスタイルの音声を生成することができます。これは、膨大な音声データセットによるものです。訓練戦略には、モダリティ適応事前学習が含まれます