OpenAIは、AIが音声を複製するのに15秒の音声しか必要としない。

近年、AIが誰かの声を複製するために必要な聴取時間はますます短くなっています。

以前は数分でしたが、今では数秒です。

マイクロソフトが支援する、AI生成チャットボット「ChatGPT」を開発しているOpenAIは最近、同社の音声複製技術では、誰かの声を再現するのにたった15秒の音声素材しか必要としないことを明らかにした。

OpenAIはウェブサイトの投稿で、2022年後半から開発を進めてきた「Voice Engine」と呼ばれるモデルの小規模プレビューを公開した。

Voice Engineは、最低15秒間の音声素材を入力することで機能します。ユーザーはテキストを入力することで、OpenAIが「感情豊かでリアル」と表現する、まさに「元の話者に非常によく似た」音声を作成できます。

OpenAIは、「合成音声の誤用の可能性を考慮し、より広範なリリースには慎重かつ情報に基づいたアプローチを取っている」と主張し、「合成音声の責任ある展開、そして社会がこれらの新しい機能にどう適応できるかについての対話を開始したい」と付け加えた。

同社はさらに、「これらの話し合いと小規模なテストの結果に基づいて、この技術を大規模に展開するかどうか、またどのように展開するかについて、より情報に基づいた決定を下すことになるだろう」と付け加えた。

OpenAIが言及する悪用の一つは、既に一部の犯罪者が既に実行している詐欺行為であり、既に公開されている類似の技術が利用されています。これは、ある人物の音声を複製し、その人物の友人や親戚に電話をかけ、銀行振込で現金を渡すよう騙し取るというものです。また、このような技術が次期大統領選挙でどのように利用されるかについても懸念が高まっており、これはジョー・バイデン大統領の音声を複製したロボコールが、1月のニューハンプシャー州予備選挙で投票しないよう人々に呼びかけたという、最近注目を集めた事件によって浮き彫りになっています。

もう一つの懸念は、急速に進歩する技術が声優の生活にどのような影響を与えるかということだ。声優たちは、AIを使って合成バージョンを作成するために自分の声の権利を譲渡するよう求められることが増え、そのような契約の報酬は声優が直接仕事をするように頼まれた場合よりもはるかに低くなるのではないかと懸念している。

OpenAIは、この技術のより前向きな展開として、自然で感情的な音声を使って「プリセット音声で可能な範囲よりも幅広い話者を表現する」ことで、文字が読めない人や子供たちに読書支援を提供したり、Spotifyがすでに試験運用している動画やポッドキャストの即時翻訳に活用したりできる可能性を示唆している。

また、病気により徐々に声を失いつつある患者が、自分の声のような声を使ってコミュニケーションを続けるのを助けるためにも使用できるだろう。

OpenAI の Web サイトには AI 生成オーディオと参照オーディオの例がいくつか掲載されており、その素晴らしさにきっと同意していただけると思います。