01 / UNDERSTAND
仕組みと使いどころ
Speech Modelは、この記事の文脈ではDessaの方式を説明する表現であり、公式規格名や音声AI全般の統一定義ではない。Dessaは人間の会話音声だけを使って一から学習した音声対音声モデルで、入力音声を文字へ変換して処理する方式ではない。全二重で聞くことと話すことを同時に行い、リアルタイムの会話で発話のタイミング、割り込み、相づちを扱う。資料では、感情、皮肉、笑い、ため息、抑揚など、文字化すると失われる音声上の情報を直接聞き取り、音声として表現できることもDessaの特徴として説明されている。したがって、ここでの音声モデルは音声認識、音声合成、音声処理モデル一般を包括する語ではなく、Dessaという特定事例が示す、音声を直接入出力する対話モデルの意味に限定して理解する必要がある。
02 / IN PRACTICE
Speech Modelの活用例
たとえば、こんな場面で
Dessaは利用者の発話を音声のまま受け取り、相づちや割り込みを交えながら音声で応答する。
03 / GOOD TO KNOW
使うときのポイント
記事で音声モデルという表現を見たら、音声を直接入出力するモデルを指すのか、音声認識や文字処理を組み合わせた仕組みを指すのかを文脈と資料で確認する。
参考資料
Dessa - the Conversation Model trained only on speech （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。