米OpenAIが2022年に発表した音声テキスト変換AI「Whisper」に、文章の一部または全部を捏造してしまういわゆる「幻覚」による重大な欠陥があると、米Associated Pressは10月26日（現地時間）、多数のエンジニアや研究者へのインタビューに基づいて報じた。 Whisperは、インタビューの翻訳や文字起こし、消費者向け技術でのテキスト生成、動画の字幕作成など、世界中の様々な業界で使用されている。Associated Pressは、医療機関でもWhisperベースのツールが診察の会話の文字起こしで使われ始めていることが、深刻な懸念を引き起こしていると指摘する。 Whisperのトレーニングには、ネット上の膨大な音声データと、それに対応する文字起こしテキストから構成される、68万時間に及ぶ大規模なデータセットが使われたとしているが、トレーニングに使った具体的なソースは明示して

「ショックを受け、怒り、信じられない思いだった」 米OpenAIの生成AI「GPT-4o（フォーオー）」に使われている声の一つ「Sky」が、俳優のスカーレット・ヨハンソン氏にそっくりだと話題になった件をめぐり、同氏が代理人を通じて声明を発表した。 声明によると同氏は、OpenAIのサム・アルトマンCEOから「声を提供してほしい」というオファーを受け、断ったにも関わらず、そっくりな声がAIに採用され怒りを覚えたという。 ヨハンソン氏は対応のため弁護士を雇わざるを得なかったとし、「透明性の高い解決と、個人の権利を保護するための適切な法律の制定」への期待も述べている。

by Jun Chen Lab at UCLA 咽喉がんの手術や声帯ポリープなどの影響で声帯が使えなくなってしまった人でも話せるようになる「喉に貼るパッチ」を、カリフォルニア大学ロサンゼルス校の研究チームが開発しました。このパッチは小さくて伸縮性があり、発話に伴う筋肉の動きのみで発電するためバッテリーやプラグも不要とのことです。 Speaking without vocal folds using a machine-learning-assisted wearable sensing-actuation system | Nature Communications https://www.nature.com/articles/s41467-024-45915-7 New throat patch can turn muscle movements into speech https:/

マスクみたいな減音デバイス、キヤノン「プライバシートーク」　使って分かった“普通に使えるすごさ”（1/3 ページ） コロナ禍以降、ビデオ会議が一般化しました。もちろん、かなりリアルな会議にも戻っていますが、今後ビデオ会議がゼロになることはないでしょう。それは自宅など「会社以外の場所」からビデオ会議に参加する場合もあるということです。 そんな中、キヤノンマーケティングジャパンの企業内起業である「ichikara Lab（イチカララボ）」から登場し、4月下旬に一般発売されるのが、この「Privacy Talk（プライバシートーク）」です。

わずか3秒の元音声から本人そっくりな音声合成が可能な技術「VALL-E X」が誰でも使える形で公開されました。オープンソース版で、ローカルマシンからWebUIで利用できます。さっそくインストールして使ってみました。 以前、ディープラーニングベースの音声・歌声合成ソフトであるDiff-SVC、リアルタイム処理が可能なAIボイチェンRVCを紹介したとき、自分は記事タイトルに「驚異の」という形容詞を付けました。それでも学習には数十分の本人による音声データが必要で、そこまでのデータを用意するのは容易ではありません。それに対してVALL-E Xでは元データが3秒あれば本人に似た声を生成できるのです。

株式会社レアゾン・ホールディングス(本社：東京都新宿区、代表取締役：渡邉 真)は世界最高レベルの高精度日本語音声認識モデルおよび世界最大19,000時間の日本語音声コーパス※「ReazonSpeech」を公開いたしました。 2023年1月18日 株式会社レアゾン・ホールディングス(本社：東京都新宿区、代表取締役：渡邉 真)は世界最高レベルの高精度日本語音声認識モデルおよび世界最大19,000時間の日本語音声コーパス※「ReazonSpeech」を公開いたしました。 ※音声コーパス: 音声データとテキストデータを発話単位で対応付けて集めたもの。音声認識モデルを作成する材料として使用され、その規模と品質が音声認識の精度を大きく左右する。 ※2「ReazonSpeech」を用いた文字起こしサービスをプロジェクトwebサイトにて実際に試すことができます。 プロジェクトwebサイト：https://

PCで再生中の音声をリアルタイムで文字起こしできると、字幕機能がない動画の再生や、外国とのオンライン会議で便利である。 先日、OpenAIが公開したWhisperは、音声ファイルから文字起こしするするツールが提供されているが、リアルタイムで処理するツールは提供されていない。 そこで、Pythonスクリプトで、リアルタイムで文字起こしするツールを作成した。 ループバック録音 SoundCardを使うと、PCで再生されている音声を録音することができる。 pip install SoundCardでインストールする。 import soundcard as sc with sc.get_microphone(id=str(sc.default_speaker().name), include_loopback=True).recorder(samplerate=SAMPLE_RATE, chan

広告って地味にけっこうなストレスだよなぁ ※指摘があったので、SHARP公式さんのツイートを追加しました。

米アマゾン・ドット・コムは２２日、音声アシスタント機能「アレクサ」について、人工知能（ＡＩ）の音声を自分の好きな声に変更できるようにする計画を明らかにした。昨年１０月撮影（２０２２年　ロイター/MIKE BLAKE） ［ラスベガス　２２日　ロイター］ - 米アマゾン・ドット・コムは２２日、音声アシスタント機能「アレクサ」について、人工知能（ＡＩ）の音声を自分の好きな声に変更できるようにする計画を明らかにした。

音声合成ソフトの開発と販売を手掛けるAHS（東京都台東区）は2月17日、AI技術により人間らしいトーク音声を合成できるソフトウェア「VOICEPEAK 商用可能 6ナレーターセット」を3月11日に発売すると発表した。価格は1万5800円からと安価だが、追加の許諾を得なくても商用利用できる。対応OSはWindows、MacOS、Linux。 音声合成エンジンは、AI歌声合成ソフト「Synthesizer V」を開発したDreamtonics（東京都台東区）が開発。文章を入力すると、AIが文脈などを基に人間らしく読み上げる。イントネーションや読み上げ速度、感情表現の変更などのコントロールも可能。 同社製の個人向け・商用利用ライセンス別売の製品は1キャラクターで1万円前後のものが多いが、本ソフトには男性3種類、女性3種類、女の子1種類の計7音源が付属。価格は初回限定版が1万5800円、割引なしの

日進月歩というより、秒進分歩で進化している感じのある音声合成、歌声合成の世界ですが、また新たな革命ともいえるAI音声合成ソフトが誕生しました。これまでDTMステーションでも何度も取り上げてきた歌声合成ソフト、Synthesizer Vを開発するDreamtonics株式会社と株式会社AHSと共同開発する形で、もはや人間の喋り声にしか聴こえない音声合成ソフト、VOICEPEAKを発表し、3月11日から発売を開始するのです。Synthesizer Vと同様、Windows、Mac、Linuxでも動くマルチプラットフォームソフトで価格はダウンロード版で23,800円(税込み)となっています。 このソフト「VOICEPEAK 商用可能 6ナレーターセット」という製品名になっていますが、実際には女性3人＋男性3人＋女の子1人＝7人の声を切り替えることが可能なAI音声合成ソフトで、テキストを入力すれば

ツールの説明 使用例 スペシャルサンクス ツールの説明 どうぶつの森で、どうぶつがしゃべる時の音「どうぶつ語」の音声が生成できるツールを作りました。 ↓こちらです。 どうぶつ語音声ジェネレーター 使い方や注意点は、 https://animal-crossing.utakata.app/ を開くと書いてあります。 音声は動画などに自由に使っていただいて構いません。 ニコニ・コモンズに登録されていますので、もしニコニコ動画に動画を投稿する際には、親作品として登録してもらえると嬉しいです。 commons.nicovideo.jp まだ不具合などあるかと思います。何かありましたら twitter までご連絡ください。 https://twitter.com/yoshiki_utakata 使用例 このツールを使って作った動画を投稿してみました。 スペシャルサンクス このツールを作成するにあたり

対応するデバイスはEcho Show 10、Echo Show 8（第2世代）、Echo Show 5（第2世代）、Echo（第4世代）、Echo Dot（第4世代）、Echo Dot with clock（第4世代）。 関連記事 Alexa対応オーブンレンジ、パナソニックが開発 「アレクサ、コーヒーを1杯温めて」──パナソニックは5日、「CES 2022」で音声操作に対応したオーブンレンジ「NN-SV79MS」を発表した。 「Alexa、○○をプリントして」　声で印刷できる機能リリース 「Alexa、○○をプリントして」と話しかけるだけで、買い物リストや数独パズル、迷路などのコンテンツを、Alexa対応プリンタで印刷できる新機能。 Amazonの秋のイベントで発表されたことまとめ　ロボット「Astro」や15インチ「Echo Show」ほか Amazonが9月28日に開催したオンラインイ

Amazonは音声アシスタント・Alexaに対応した端末として、スマートスピーカー「Echo」シリーズやスマートディスプレイ「Echo Show」などを展開していますが、15％～25％のユーザーは、使い始めて2週間で使用をやめているというデータがあることがわかりました。 Amazon’s Voice-Controlled Smart Speaker Alexa Can’t Hold Customer Interest: Docs - Bloomberg https://www.bloomberg.com/news/articles/2021-12-22/amazon-s-voice-controlled-smart-speaker-alexa-can-t-hold-customer-interest-docs Alexa is nagging you more because Amazon

AmazonのAlexaは同社のEchoシリーズを始めさまざまなデバイスに搭載され、音声を使ってさまざまな指示の処理をおこなうことができる便利なAIアシスタントです。 そんなAlexaがさらに進化をすることがわかりました。音声以外の音に反応したり、人がいるかどうかを検知してデバイスの電源を切ったりできるようになるようです。 教育できるAIに進化 一点目のAlexaの進化は、ユーザーが独自の音をAlexaが認識できるように教育し、それに対してさまざまな動作をおこなうことができるようになるというものです。 これまでにもAmazonは、「Alexa Guard」というサービスにおいて人間の声以外にガラスの割れる音や煙警報器の警告音、一酸化炭素警報器の警報音などを認識する機能を提供していました（日本では未提供）。 これに対して、新機能は自分の好きな音をAlexaが認識できるように教育できる点が異な

スマートスピーカーの成功を見ずに終わった「Chumby」が見せた可能性：デジタル・イエスタデイワンスモア計画（1/3 ページ） 過去の魅力あるサービスやガジェットを温故知新的に改めて見直す本連載、第5回は小型のデスクトップデバイス「Chumby」（チャンビー）を取り上げる。 スマートフォン普及前に現れた「スマートデバイス」 Chumbyは、3インチクラスのタッチ操作可能なディスプレイと無線LAN経由でのインターネット接続機能を備えた小型の端末。時計や写真表示、音楽再生といった機能に加えて、インターネットに接続することで、天気やニュースなどさまざまな情報を入手できる。 米Chumby Industriesが開発、2008年に米国で発売されたのち、同年に日本でも発売。筐体は皮に覆われたぬいぐるみのような作りになっており、ガジェットらしからぬ見栄えや存在感も特徴の1つだった。 2008年といえば