Last Updated on 2025-03-21 20:25 by admin
OpenAIは2025年3月20日、3つの新しい音声AIモデル「gpt-4o-transcribe」「gpt-4o-mini-transcribe」「gpt-4o-mini-tts」を発表しました。
これらのモデルは当初、サードパーティ開発者向けのAPIと、一般ユーザー向けのデモサイト「OpenAI.fm」で提供されます。
新モデルは2024年5月に発表されたGPT-4oをベースに、音声認識と音声合成に特化するよう追加訓練されたものです。特に「gpt-4o-mini-tts」モデルはテキストプロンプトを通じて、アクセント、ピッチ、トーン、感情表現などをカスタマイズ可能となっています。
音声認識モデルの英語での単語エラー率は2.46%と、OpenAIの以前のモデル「Whisper」と比較して大幅に低減しています。また、100以上の言語に対応し、ノイズキャンセリングや意味的な音声活動検出機能も搭載されています。
価格は以下の通りです
- gpt-4o-transcribe: 100万音声入力トークンあたり$6.00（約1分あたり$0.006）
- gpt-4o-mini-transcribe: 100万音声入力トークンあたり$3.00（約1分あたり$0.003）
- gpt-4o-mini-tts: 100万テキスト入力トークンあたり$0.60、100万音声出力トークンあたり$12.00（約1分あたり$0.015）
これらのモデルはカスタマーコールセンター、会議の文字起こし、AIアシスタントなどのアプリケーションに特に適しています。OpenAIの先週発表された「Agents SDK」と組み合わせることで、開発者は既存のテキストベースアプリに「約9行のコード」で音声機能を追加できるようになります。
すでにEliseAIやDecagonなどの企業が新モデルを導入しており、Decagonは文字起こしの精度が30%向上したと報告しています。
競合他社としては、ElevenLabsが話者分離機能を持つ「Scribe」モデル（英語エラー率3.3%、1分あたり$0.006）、Hume AIが単語レベルで感情表現をカスタマイズできる「Octave TTS」を提供しています。
【編集部解説】
OpenAIが2025年3月20日に発表した新しい音声AIモデル群は、AIと人間のコミュニケーション方法に大きな変革をもたらす可能性を秘めています。今回のリリースは単なる技術的な進化にとどまらず、AIエージェントの実用性と普及を加速させる重要な一歩と言えるでしょう。
まず注目すべきは、これらのモデルがGPT-4oアーキテクチャをベースに、音声処理に特化した追加訓練を受けている点です。特に音声認識モデル「gpt-4o-transcribe」の英語での単語エラー率が2.46%という数値は、人間の聞き取り精度に近づいていることを示しています。これは以前のWhisperモデルと比較して大幅な改善であり、特に騒がしい環境や様々なアクセント、発話速度の違いにも対応できるようになっています。
音声合成モデル「gpt-4o-mini-tts」の「ステアラビリティ（操縦性）」も革新的です。テキストプロンプトを通じて「海賊のように話して」「就寝前のお話として語って」といった指示を与えるだけで、AIの話し方をコントロールできるようになりました。これにより、状況や目的に応じた適切な話し方を実現できます。例えば、カスタマーサポートでミスを謝罪する際には申し訳なさそうな口調で話すなど、より自然なコミュニケーションが可能になります。
もう一つの重要な進化は、開発者にとっての実装のしやすさです。OpenAIの「Agents SDK」と組み合わせることで、既存のテキストベースアプリに「約9行のコード」で音声機能を追加できるようになりました。これはAI音声技術の普及を大きく加速させる要因となるでしょう。
実際に、不動産管理自動化を手がけるEliseAIやAI音声体験を構築するDecagonなどの企業がすでに新モデルを導入し、顕著な成果を報告しています。特にDecagonは文字起こしの精度が30%向上したと述べており、実用段階に入っていることがわかります。
一方で、この技術の登場は音声AI市場の競争激化も意味しています。ElevenLabsの「Scribe」モデルは話者分離機能を持ち、Hume AIの「Octave TTS」は単語レベルで感情表現をカスタマイズできるなど、各社が特色ある機能を打ち出しています。また、オープンソースコミュニティからも「Orpheus 3B」のような高度な音声モデルが登場しており、選択肢の多様化が進んでいます。
これらの技術進化がもたらす影響は広範囲に及びます。まず、アクセシビリティの向上が挙げられます。視覚障害を持つユーザーや、テキスト入力が困難なユーザーにとって、より自然な音声インターフェースは大きな恩恵となるでしょう。
ビジネス面では、カスタマーサポートの自動化や会議の文字起こし、eラーニングなど、様々な分野での応用が期待できます。特に多言語対応（100言語以上）は、グローバルビジネスにおける言語の壁を低くする可能性を秘めています。
しかし、懸念点もあります。元Apple人間インターフェースデザイナーのベン・ヒラク氏が指摘するように、今回の発表はリアルタイム音声からの「後退」とも捉えられる側面があります。ChatGPTの低遅延会話型AIからの方向転換を示唆している可能性もあるのです。
また、音声技術の進化に伴い、なりすましやディープフェイク音声の作成がより容易になる懸念もあります。OpenAIは以前、女優スカーレット・ヨハンソンの声に似た音声オプションを撤去した経緯がありますが、今後も類似の問題が発生する可能性は否定できません。
長期的には、これらの音声AIモデルはマルチモーダルAIの一部として、ビデオを含むより動的でインタラクティブなエージェントベースの体験へと発展していくでしょう。OpenAIが示唆するように、テキストだけでなく自然な会話を通じてAIと対話できる未来は、もはや遠い将来の話ではなくなっています。
【用語解説】
マルチモーダル:
複数の情報形式（テキスト、画像、音声、動画など）を同時に処理できる能力のこと。従来のAIが一つの形式のみを扱うのに対し、GPT-4oは異なる形式の情報を統合的に理解・処理できる。
トークン:
AIが処理する文字や単語の最小単位。日本語では大体1文字が1トークン、英語では0.75単語が1トークンに相当する。料金計算の基準となる。
単語エラー率(WER):
音声認識の精度を測る指標。認識した単語のうち、誤って認識した単語の割合を示す。2.46%という数値は100単語中約2.5単語しか間違えないという高精度を意味する。
ステアラビリティ（操縦性）:
AIの出力を特定の方向や特性に調整できる能力。例えば「海賊のように話して」と指示すると、その特徴を持った音声を生成できる機能。
話者分離（ダイアライゼーション）:
複数の話者が発言している音声から、誰がいつ話したかを区別する技術。新しいgpt-4o-transcribeモデルファミリーはこの機能を提供するようには設計されていない。
OpenAI:
2015年に設立された人工知能研究所。ChatGPTやGPT-4などの大規模言語モデルを開発。2024年4月に東京オフィスも開設した。
ElevenLabs:
高品質な音声合成と音声クローニング技術を提供するAIスタートアップ。「Scribe」という音声認識モデルを提供している。
Hume AI:
感情を理解し表現できるAI技術を開発する企業。「Octave TTS」という感情表現が可能な音声合成モデルを提供している。
EliseAI:
不動産管理の自動化に特化したAI企業。OpenAIの新しい音声モデルを導入し、テナントとのやり取りを改善している。
Decagon:
AI音声体験を構築する企業。OpenAIの音声認識モデル導入により文字起こし精度が30%向上したと報告している。
【参考リンク】
OpenAI（外部）
GPT-4oなどのAIモデルを開発・提供する企業の公式サイト。
OpenAI.fm（外部）
新しい音声AIモデルのデモを体験できるOpenAIの特設サイト。
ElevenLabs（外部）
高品質な音声合成と音声認識技術を提供するAI企業。
Hume AI（外部）
感情を理解し表現できるAI技術を開発する企業。
EliseAI（外部）
不動産管理の自動化に特化したAI企業。
Decagon（外部）AI音声体験を構築する企業。
【編集部後記】
音声AIの進化は、私たちの日常生活やビジネスシーンをどう変えていくでしょうか？例えば、外国語が苦手でも自然な会話ができる旅行アプリや、議事録作成が自動化される会議ツールなど、アイデア次第で可能性は無限大です。皆さんならこの技術をどんな場面で活用したいですか？また、音声の自然さや感情表現が向上する中で、AIと人間の会話の境界線はどこにあるべきだと思いますか？ぜひSNSでご意見をお聞かせください。
【関連記事】
AI（人工知能)ニュースをinnovaTopiaでもっと読む
