音声を文字に変換せず応答するAI、Deepslateが770万ユーロ調達

ベルリンを拠点とする音声AI企業Deepslateは、音声から音声を生成するAIの開発に向け、シードラウンドで770万ユーロを調達しました。ラウンドを主導したのは42CAPで、Alstin Capital、既存投資家のSIVentures、複数のエンジェル投資家も参加しています。25

同社が打ち出す特徴は、話し言葉をいったん文字に起こしてから処理するのではなく、音声入力を音声出力へ直接つなぐモデルです。EU内でのホスティングに加え、顧客側の環境で運用する選択肢も掲げています。

音声を音声のまま処理するモデル

Deepslateの「Opal」は、音声を入力し、音声で応答するまでを一つの音声対音声（speech-to-speech）モデルで処理する設計です。一般的な音声AIでは、音声認識、言語モデル、音声合成の各機能をつなぎ、会話を「音声からテキストへ、テキストから音声へ」と受け渡す構成がよく使われます。Deepslateは、こうした中間のテキスト変換を挟まず、音声を直接扱うと説明しています。215

これは処理方式の違いを示すものであり、それだけで会話が常に速く、自然になると証明されるわけではありません。実際の使い心地は、モデルの性能や製品への組み込み方、運用環境によって変わります。

速度と言語対応をめぐる主張

Deepslateは、応答速度440ミリ秒と27言語への対応を掲げ、欧州の言語やアクセント、方言を重視しているとしています。618 Artificial Analysisを引用した報道でも0.44秒という数値が紹介されていますが、その結果ではKraftonのRaonモデルに次ぐ位置だったとされています。6 一方、別の報道では同社モデルを同種の中で最速とする主張も伝えられています。4 したがって「最速」は、評価条件に左右される報告上の主張として捉えるのが適切です。

応答時間や対応言語の数だけで、実際の会話品質が分かるわけではありません。公開情報からは、速度や言語ごとの性能があらゆる用途・導入環境で同じになるとは確認できません。

EUホスティングと自社環境での運用

Deepslateは、技術をEU内でホストし、ドイツ国内にサーバーを置いていると説明しています。また、顧客の自社インフラ内で運用するセルフホスティングも選択肢として案内しています。418 同社はサービスがGDPRに準拠しているとうたっていますが、これは企業側の説明です。利用可能な情報からは、独立した認証の有無や、個別の顧客環境における準拠状況までは確認できません。18

EUのクラウドを利用する場合は事業者が管理するインフラ上で稼働し、セルフホスティングでは顧客が実行環境をより細かく管理できます。どちらを選ぶ場合も、組織ごとのデータ要件に照らして、構成や契約条件を確認する必要があります。

APIやセルフホスティングで提供

Deepslateは、開発者や企業向けにAPIを提供し、セルフホスティングにも対応するとしています。18 音声対話を使う製品に組み込めますが、顧客の既存ソフトウェアとどう連携するかは、個々の導入方法によります。同社は医療、エネルギー、通信、公共サービスなどを想定用途として挙げています。ただし、これらの分野での導入実績や効果が独立して確認されているわけではありません。18

調達資金の使い道

Deepslateは今回の資金を、音声対音声モデルの改良、欧州の学習データの拡充、営業・マーケティングチームの強化、欧州のデータセンターにおけるインフラ拡大に充てる計画です。2 欧州の言語に重点を置き、EU内ホスティングやセルフホスティングを選べるようにする同社の方針に沿った投資となります。