音声AIとは、人の声を聞き取って文字にする、文字を声で読み上げる、声で話しかけられたら声で答える、といった音声を扱うAI技術をまとめた呼び名です。中心になる処理は、音声を文字に変える「音声認識」、文字を音声に変える「音声合成」、その間で内容を理解して返事を作る「言語処理」の3つです。
音声AIとは：3つの処理の組み合わせ
音声AIは1つのモデルを指す言葉ではありません。目的に合わせて部品を組み合わせた仕組み全体を指します。会議の文字起こしなら音声認識だけで足ります。読み上げなら音声合成だけです。声で会話する仕組みでは、音声認識→言語処理→音声合成を順につなぎ、利用者が話すたびにこの流れを1回ずつ実行します。
この「話すたびに処理が走る」点が、文字のやり取りだけのAIとの大きな違いです。応答までの待ち時間と、処理量に比例する計算コストが、そのまま使い心地と費用に響きます。
音声AIの使い方
エンジニアが組み込む方法は、大きく分けて2つあります。
1つ目は、クラウドのAPIに音声データを送って結果を受け取る方法です。自前でモデルを用意しなくてよい反面、使った量に応じて費用がかかり、提供元の制約も受けます。
2つ目は、手元のハードウェアでモデルを動かす方法です。当サイトで取り上げたゲーム開発者の事例では、スタジオが「クラウドの制約を避けるため」、手元のハードウェアで動くモデルへの移行を検討していると報じられました。利用量が読めないサービスでは、こちらが選ばれる理由になります。
何に使えるのか
一般的な用途としては、問い合わせ窓口の自動応答、会議の議事録づくり、声での機器操作などがあります。当サイトの記事にある事例では、ゲームの中でプレイヤーの声をAIが処理し、それに応じた返事を作る仕組みに使われていました。企画・DXの担当者は、「どれくらいの人が、どれくらいの時間話すか」を先に見積もっておくと、次に説明する料金の問題を避けやすくなります。
音声AIの料金：従量課金の落とし穴
具体的な単価はサービスや契約によって異なり、この記事では扱いません。各社の公式の料金表で確認してください。押さえておきたいのは、クラウドAPIを使う場合、利用者が増えて話す量が増えるほど費用も増えるという構造です。
これが実際に問題になった例があります。Tom's Hardwareによると、Steamで無料配布したゲームのデモで、AIの利用料が1日あたり1000ドルに達し、開発者が銀行から融資を受けることになりました。無料で配ったものでも、遊ばれるほど費用がかかります。利用量に上限を設けることと、ローカルで動かす選択肢を検討することは、導入前に決めておくべき点です。
誰が作っているのか：Deepgramと計算基盤
当サイトで扱った企業のひとつが、音声AIを専門にするDeepgramです。AWSの機械学習ブログで、DeepgramがAWSのAI向けチップ「Trainium」を使い、音声AIを大規模に最適化した事例が紹介されました。GPU以外の専用チップで音声AIを動かす取り組みとみられます（当サイトの推測）。ただし、性能やコストがどれだけ改善したかは公表内容からは分かっていません。
投資家の視点では、競争は「モデルの精度」だけでなく「どのチップで、どれだけ安く動かせるか」にも広がっていると読めます。これは上の2つの事例をもとにした当サイトの見立てです。競合する個別の企業の比較は、当サイトの記事ではまだ扱っていません。
