音声AI（Voice AI）
概要
音声AI（Voice AI）は、音声の認識（音声→テキスト）・合成（テキスト→音声）・音声対話を扱う AI 分野です。大規模言語モデル と マルチモーダルLLM の進展により、自然でリアルタイムな音声アシスタントが実現しつつあります。低レイテンシでの応答が体験の鍵になります。
主な構成要素
- 音声認識（ASR） — 音声をテキストに変換
- 言語理解・生成 — LLM が応答を生成
- 音声合成（TTS） — テキストを自然な音声に変換
- 音声対話（Audio Language Models） — 音声を直接扱う統合モデル
技術的な論点
- 低レイテンシ — 会話のテンポを保つためのストリーミング処理・最適化
- 音響的忠実性 — 入力音声に忠実か（マルチモーダルLLM の DEAF ベンチマーク）
- 安全性 — ケアホーム向け音声スマートスピーカーのような安全重視の評価枠組み（AIエージェントの安全性）
事例（Daily フィード）
- （HN）“How OpenAI delivers low-latency voice AI at scale”
- “Evaluating a Multi-Agent Voice-Enabled Smart Speaker for Care Homes: A Safety-Focused Framework”
- dots.tts — 多言語対応の連続自己回帰型 TTS（2B パラメータ）。低遅延音声生成向けの蒸留最適化を施し、リアルタイム・エッジ用途を狙う。dots_tts_Technical_Report