GoogleはChirp 3の音声モデルをVertex AIに統合します

生成AIは、主にテキストベースのインターフェースを通じてテキストや画像などを生成することに焦点を当ててきました。しかし今、音声が注目を集めており、勢いを増しています。Googleは大きなニュースを発表しました。来週から、最新の音声認識および高品質テキスト音声変換モデルであるChirp 3を、Vertex AIプラットフォームで展開します。

先週、GoogleはひそかにChirp 3が31言語で8つの新しい音声を導入すると発表しました。この技術は、音声アシスタントの構築、オーディオブックの作成、サポートエージェントやビデオのナレーション作成に最適です。この発表は、ロンドンのGoogle DeepMindオフィスでのイベントで共有されました。

Googleだけが音声AIの波に乗っているわけではありません。先週、超リアルなAI音声「Maya」と「Miles」を提供するSesameが、開発者がその技術を使って独自のカスタムアプリやサービスを構築できるようにすると発表しました。

GoogleはChirp 3に使用制限を設けることで、悪用を防ごうとしています。「私たちは安全チームと一緒にこれらの課題に取り組んでいます」と、Google CloudのCEOであるThomas Kurianは、今日のニュースイベントで述べました。

ElevenLabsもAI音声の分野で大きなプレイヤーであり、音声サービスの拡大のために数百万ドルを調達しています。

Chirp 3により、Googleは現在テスト中の最新のLLM Geminiバージョンや、画像生成モデルのImagen、そして高価なVeo 2ビデオ生成ツールと同じファミリーにこれを統合します。

Chirp 3が他のAI音声（Sesameの成果はかなり印象的です）と同じくらい「リアル」に聞こえるかどうかはまだわかりません。しかし、DeepMindのCEOであるDemis Hassabisが指摘したように、これは短距離走ではなくマラソンです。

「短期的には… [AIが]今後数年ですべてを解決する魔法の弾丸という考えは、まだ実現しないと思います。AGIのようなものが起こるまでには、まだ数年かかると考えています」と彼は述べました。「それは今後10年間で物事を変えるでしょう…中長期的に見て、興味深い時代の瞬間の一つです。」

Googleは2021年にVertex AIを立ち上げ、開発者がクラウドで機械学習サービスを構築できる場所として提供しました。それはAI、特に生成AIが、OpenAIのGPTサービスのおかげで今のようなホットな話題になるずっと前のことでした。

それ以来、GoogleはVertex AIを強く推進し、MicrosoftやAmazonなど、開発者向けの生成AIツールを構築している競合他社に追いつこうとしています。Vertex AIを使えば、開発者はGeminiを基盤に構築するだけでなく、データの分類、モデルのトレーニング、本番環境への準備も行えます。Googleが他のクリエイターのモデルにも門戸を開くかどうかは、興味深いところです。

Googleは「Chirp」という音声技術に何年も取り組んできており、AmazonのAlexaに挑戦するためのコードネームとして使い始めたのはずっと前のことです。