Eleven v4を発表これまでで最も感情豊かなモデル、Eleven v4をご紹介します。

笑える初のAI

公開日: 2022年11月24日

聴くこの記事を聴く

0:00

0:000:00

前回の記事では、音声合成ツールで生成した長文サンプルをいくつか紹介し、独自の設計によって自然なテンポで、ロボットらしくない音声を生成できる仕組みを簡単にご説明しました。今回は、感情表現の豊かさと文脈理解においても、他のどのAIより優れていることをご紹介します。そのため、聴きごたえがあるだけでなく、書籍やビデオゲームの音声化から広告まで、幅広い用途に適しています。

感情

モデルの強みである流暢さと適切なイントネーションは、膨大な学習データ（50万時間超！）によるものです。しかし本質的な要因は、そのデータからどのように学習するか、つまりモデルの設計にあります。基本的には、文章に含まれる感情を理解し、話者が喜び、怒り、悲しみ、平静のどのような声で話すべきかを判断するよう設計されています。いくつか例を見てみましょう：

イントネーションや雰囲気の違いは、すべてテキストだけから生まれています。出力に影響を与えたものはほかにありません。句読点や単語の意味は、特定の文をどう表現するかを決めるうえで重要です。しかし、話者が勝利を喜んでいるときには、笑い声のような通常の発話には含まれない音まで、モデルが説得力をもって生成している点にも注目してください（AIが出せるさまざまな笑い声をまとめたものも近日公開予定です！）。同様に、何かがとても面白くて話者が笑っているときは、反応を適切に強調します。つまり、「めっちゃ面白い」という具合です。

文脈

しかし、個々の単語の意味を知っているだけでは十分ではありません。モデルは各発話を取り巻く広い状況にも同じように敏感で、前後のテキストとのつながりから意味が通るかを判断します。この俯瞰的な視点により、前回の長めのコンテンツの記事で示したように、複数の文にまたがる思考の流れに一貫した感情パターンを重ね、長い文章も適切なイントネーションで表現できます。また、論理的な誤りを避けることにも役立ちます。たとえば、現在形と過去形の「read」や、時間の単位または「微小」を意味する「minute」のように、同じ綴りでも意味が異なる単語があります。どちらが適切かは文脈によって決まります：

書き言葉と話し言葉

長文コンテンツのニーズに応えるプラットフォームを設計しているため、記号、略語、書き言葉で一般的な表記慣習を、特定の方法で発音すべきか、あるいは文字どおりには発音しないべきかをモデルが理解する必要もあります。たとえば、FBI、TNT、ATMは、UNESCOやNASAとは異なる発音をすることを知る必要があります。同様に、「$3tr」は書き言葉では問題ありませんが、音読する場合は「3兆ドル」となる必要があります。

人の介入

こうした微妙な違いを認識することは極めて重要です。なぜなら、生成プロセスで人の介入が必要になる場面を最小限にすることが目標だからです。結局のところ、誰かが音声全体を聴いた後にテキストをすべて書き直す必要があるなら、数分でオーディオブックを生成できるツールとして提供する意味がありません。それでも、モデルの発音ルールを継続的に更新していても、何かに混乱する可能性は常にあります。そのため、モデルが問題があると判断したテキスト箇所をすぐに確認でき、正しい読み方を教えられる、不確実性をフラグ付けするシステムを現在開発しています。

無数の活用方法

ご紹介したすべての機能は、ソフトウェアを最も汎用性の高いAI音声ツールにするための一歩です。

ニュース出版社は、オーディオの存在感を高めることが購読者維持に効果的だとすでに認識しています。記事ごとに音声読み上げを埋め込む大きな利点は、ほかのことをしながら聴ける点です。これを実現している出版社はボイスアクターを起用することが多いですが、コストがかかり、すべての記事をカバーできるわけではありません。あるいは自社の記者に記事を読ませますが、時間がかかるため、やはり高コストです。合成音声でコンテンツを音声化する場合は費用を抑えられますが、品質を妥協するという代償があります。今ならElevenLabsで、妥協することなく、両方の利点を手に入れられます。

あるいは、オーディオブックを、すべての登場人物に個性的で感情を引き込むボイスオーバーを付けて、数分で生成する場面を想像してみてください。読書の新たな楽しみ方が生まれるだけでなく、学習に困難を抱える方にとってのアクセスも大幅に向上します。

今、ビデオゲームのデベロッパーに開かれた可能性を考えてみてください。特定のキャラクターが、実在の俳優による音声収録の多額の費用を正当化できるほど重要かどうかを、もはや考慮する必要はありません。すべてのNPCが独自の声と個性を持てるようになります。

広告代理店やプロデューサーは、スポーツTVチャンネル向けでも高級腕時計ブランド向けでも、あらゆるキャンペーンのトーンに合わせてボイスオーバーを自由に試し、調整できるようになります。どの俳優の声もボイスクローンのライセンスを取得できるため、俳優本人がその場にいなくても、変更を即座に適用できます。完全に合成された音声を選ぶ場合でも、広告主は音声権利の買い取り費用を心配する必要がありません。

バーチャルアシスタントは、ボイスクローンにより特定のユーザーになじみのある声で話せること、そして新たに得られた豊かな表現力によってより自然にやり取りできることの両方により、さらに生き生きとした存在になります。