3月6日、出門问问（Mobvoi）は香港科技大学、上海交通大学、南洋理工大学、西北工業大学などのトップレベルの学術機関と共同で、次世代音声生成モデルSpark-TTSをオープンソース化し、その商業化された高品質TTSエンジンであるTicVoice 7.0を正式に発表しました。出門问问の第7世代TTSエンジンであるTicVoice 7.0は、音声生成分野で大きなブレークスルーを達成し、新しい音声生成パラダイムを開拓しました。

TechCrunchによると、音声AI企業ElevenLabsは、同社のリーダーアプリでAI生成オーディオブックの出版を作家に許可しました。これは、同社がSpotifyと提携してAIナレーションのオーディオブックをリリースした後のことです。ElevenLabsは先月1億8000万ドルという巨額の資金を調達し、昨年から作家を対象に出版計画のトライアルを実施、今回正式にすべての作家に開放されました。同社は、制作コストを削減し、Audibleに対抗するために、価格が手頃で使いやすいオーディオブック制作ツールを提供することを目指しています。

人工知能分野において、テキスト音声生成技術は研究のホットトピックになりつつあります。最近、研究者らはTANGOFLUXという新しいモデルを発表しました。このモデルは性能と効率性の両面で優れた成果を示しています。TANGOFLUXは、5億1500万パラメーターを持つ高効率なテキスト音声生成モデルであり、最長30秒の44.1kHz音声データの生成にわずか3.7秒しかかかりません。この速度は、単一のA40 GPU上での動作において非常に優れたものです。TANGOFLUXは主に…

アリババの通義实验室音声チームは、オープンソースの音声生成大規模モデルCosyVoiceがバージョン2.0にアップグレードされたことを発表しました。このアップグレードは、音声生成技術の正確性、安定性、自然な体験において顕著な進歩を示しています。CosyVoice 2.0は、オフラインとストリーミングを統合したモデリングによる音声生成大規模モデル技術を採用することで、双方向ストリーミング音声合成を実現し、最初の音声合成遅延を150msに短縮、音声合成の応答速度を大幅に向上させました。

音楽や音声制作において、技術と創造性の融合は常に多くの課題に直面してきました。既存のAIモデルは特定のタスクにしか長けておらず、幅広い適応性に欠けるため、音楽制作におけるAIの支援は限定的でした。AIを音楽や音声制作により効果的に活用するために、様々な制作ニーズに柔軟に対応できる汎用モデルが求められています。そこでNVIDIAは、25億パラメーターを持つ音声生成・処理モデルFugattoを発表しました。Fugattoは、

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。

最近、カリフォルニア州サンフランシスコに拠点を置くAIスタートアップ企業smallest.aiは、100ミリ秒で最大10秒の音声生成が可能な新しいテキスト音声変換（TTS）モデル、Lightningを発表しました。この技術の進歩により、世界中の開発者は、高忠実度の音声ボットアプリケーションを構築することができ、遅延時間が大幅に短縮され、実装コストが削減され、アプリケーションのアクセシビリティが向上します。Lightningは現在、英語とヒンディー語の複数のアクセントをサポートしており、チームはさらに迅速に言語を追加する計画です。

ChatTTS-OpenVoiceという革新的なプロジェクトがインターネット上で注目を集めています。ChatTTSとOpenVoice技術を融合し、ユーザーがアップロードした10秒間のサンプル音声から、パーソナライズされた自然な音声を生成できます。この技術は、音声合成ツールや音声アシスタントに適用でき、アップロードプロセスを簡素化することで、ユーザーはカスタマイズされた音声体験を得ることができます。このプロジェクトは公開後、開発者とユーザーから高い評価を受け、ソーシャルメディアでも話題になっています。責任者は、ユーザーによりパーソナライズされ自然な音声を提供することを目指していると述べています。

俳優組合SAG-AFTRAとAIクローンスタートアップ企業Narrativが、俳優がAI生成オーディオ広告で自身の声を合法的にライセンス供与することを許可する契約を締結しました。この契約は、俳優がブランドからの提案を理解し、拒否する権利、価格設定を行う権利、そして適正な報酬を得るための交渉を行う権利を確保します。SAG-AFTRAの福利厚生計画は広告収入の一部を受け取りますが、具体的な割合は公開されていません。この契約は、事前に許可を得ずにAIクローン音声が広範囲に拡散される問題に対処することを目的としており、AI業界とのこれまでの緊密な関係とは対照的です。

テンセント人工知能研究所が発表した「潜在的整合ビデオ音声生成」モデルVTA-LDMは、革新的な潜在的整合技術により、生成音声とビデオのセマンティックおよび時間的一貫性を効果的に実現し、音声生成の品質を大幅に向上させ、ビデオ生成技術の適用範囲を拡大しました。実験分析によると、ビジュアルエンコーダー、補助埋め込み、データ拡張を組み合わせたモデル設計により、生成音声の精度と一貫性が著しく向上しました。チームは基本モデルを構築し、アブレーション実験を実施して、各部分が生成結果に与える影響を評価しました。

アリババ通義研究所は最近、FunAudioLLMという音声生成大規模モデルプロジェクトをオープンソース化しました。これは、人間と大規模言語モデル（LLMs）間の自然言語音声対話体験を向上させることを目的としています。このプロジェクトは、SenseVoiceとCosyVoiceという2つのコアモデルで構成されています。

フランスの独立系非営利AI研究機関Kyutaiが、音声アシスタントMoshiを発表しました。これは、リアルタイムで動作する革新的なネイティブマルチモーダル基盤モデルです。この革新的なモデルは、5月にOpenAIが発表したGPT-4oが示したいくつかの機能を模倣し、そして一部の機能においてはそれを凌駕しています。

Suno社がApple App Storeで待望のiOSアプリをリリースしました。これはただのアプリではありません。あなたのスマートフォンをバーチャルミュージックスタジオに変身させることができるのです！ユーザーは、テキストプロンプトを入力するか、メロディーを口ずさむだけで、SunoのAIモデルが数分以内にボーカル、楽器、アレンジを含む完全な楽曲を生成します。ポップソングの作成でも、クラシック音楽の試みでも、Sunoはあなたのニーズに応えます。

マイクロソフトAzure AIは、クラウド開発プラットフォームにWhisper V3、Stable Diffusion、Phi、Falcon、SAMなど40種類の大規模言語モデルを追加したことを発表しました。開発者はAPIまたはSDKを使用して簡単に統合でき、データ微調整や指示最適化などのカスタマイズ機能もサポートしています。モデルマーケットプレイスではキーワード検索が可能で、開発者は様々なアプリケーションに適した製品を迅速に見つけることができます。注目すべき追加モデルには、Whisper V3音声モデルやStable Diffusionなどがあります。