音声AI（ボイスAI）とは
Voice AI / ボイスAI
人の音声を聞き取って理解し、音声で応答する、音声によるやり取りを担うAIの総称
最終更新:
概要
音声AIは、音声認識・言語理解・音声合成を組み合わせ、人と音声で対話するAIの総称。音声アシスタント、コールセンターの自動応答、会議の文字起こし、通訳などで使われる。 従来の構成は、音声認識(Speech-to-Text)で文字に変換し、LLMなどで応答文を作り、音声合成(Text-to-Speech)で読み上げる3段階のパイプラインだった。この方式は部品を差し替えやすい一方、段階ごとに遅延が積み重なり、声の抑揚や感情といった情報が文字化の段階で失われる。近年は音声を直接入出力できるマルチモーダルモデルが登場し、相手の発話に割り込んだり、間を置かずに応答したりする、より自然な会話が可能になってきた。2024年にはOpenAIが、音声で低遅延の対話を実現するRealtime APIを公開している。 実用化にあたっては、応答の遅延、雑音や話者の重なりへの対応、なりすましにつながる声のクローン悪用への対策などが課題になる。