# 音声インタラクション

Vibe Coderは、Deepgramが開発したオープンソースのVS Code拡張機能で、音声駆動型プログラミングの可能性を探求することを目的としています。音声認識技術を利用して、ユーザーが音声コマンドでAIプログラミングアシスタントとインタラクションし、アイデアを迅速にコードプロトタイプに変換できるようにします。この革新的なプログラミング方法は「vibe coding」と呼ばれ、プログラミング効率の向上と将来のソフトウェア開発方法の変革を目指しています。Vibe Coderは現在実験段階にあり、Deepgramはコミュニティからのフィードバックを通じてこのツールを継続的に改善したいと考えています。

Rivieraはホテル業界向けに設計されたAI音声プラットフォームです。スマートな音声対話を通じて顧客体験を向上させ、ホテルの運用効率を最適化することを目的としています。多言語対応の対話機能を備え、顧客からの問い合わせに迅速に対応し、予約、ルームサービスなどの要望を処理します。さらに、データ分析を通じてパーソナライズされたサービスを提供します。高度なAI技術を活用することで、人的介入を削減し、運用コストを低減します。特にピーク時における従業員の負担軽減に効果的で、ホテル業界のデジタルトランスフォーメーション、即時性とパーソナライズされたサービスへの顧客ニーズの高まりに対応するために開発されました。料金と具体的な導入方法は、ホテルの規模とニーズに合わせてカスタマイズいたします。

Chirp AIはApple Watch向けに設計されたスマート音声アシスタントアプリです。強力な音声認識とAI技術により、音声コマンドだけでメッセージの送信、情報の取得、ウェブ検索など様々な操作を実行でき、モバイル環境での操作効率を大幅に向上させます。本アプリの最大の利点は、スマートフォンを頻繁に使うことなく、効率的な情報交換とタスク処理を実現できる点です。日常的にスマートフォンの使用を減らしつつ、迅速に情報を入手しタスクを完了したいユーザーに最適です。現在、無料ダウンロードを提供しており、ユーザーの生産性と利便性を向上させるスマートツールとして位置付けられています。

FoloUpは、採用プロセスに特化したAI搭載の音声面接プラットフォームです。AIによる面接質問の自動生成、リアルタイム音声インタラクション、候補者の回答の深層分析を通じて、企業は効率的に候補者を選抜?評価できます。高度なAI技術を用いることで、自然でスムーズな面接を実現し、候補者のパフォーマンスに関する詳細なレポートを提供します。FoloUpは、技術を活用して採用効率の向上、人件費の削減、そして候補者にとってより公平な面接体験を提供することを目指しています。現在、オープンソースとして提供されており、カスタマイズした導入と利用が可能です。

本製品は、Gemini 2.0言語モデルとGoogle Imagen画像生成技術を活用し、音声認識と音声合成を組み合わせることで、ユーザーにインタラクティブなストーリー創作体験を提供します。ユーザーは音声入力でストーリーの展開を選択でき、システムはリアルタイムでストーリーの内容と関連画像を生成します。本製品の主な利点は、革新的なインタラクション方式と強力なコンテンツ生成能力であり、教育、エンターテインメント、創造的ひらめきを促す用途に適しています。現在、本製品はオープンソース段階にあり、具体的な価格設定は未定で、主に開発者と教育機関を対象としています。

MinMoは、阿里巴巴グループの通義实验室が開発した、約80億パラメータを持つマルチモーダル大規模言語モデルです。シームレスな音声インタラクションの実現に特化しており、音声テキストアライメント、テキスト音声アライメント、音声音声アライメント、全二重インタラクションアライメントを含む複数段階のトレーニングを経て、140万時間におよぶ多様な音声データと幅広い音声タスクでトレーニングされています。MinMoは音声理解と生成における様々なベンチマークテストで最先端の性能を達成しており、同時にテキストの大規模言語モデルの能力も維持し、全二重対話（ユーザーとシステム間の同時双方向通信）をサポートしています。さらに、MinMoは、音声生成において従来のモデルを凌駕する、新規かつシンプルな音声デコーダを提案しています。MinMoの指示遵守能力は強化されており、ユーザーの指示に従って、感情、方言、話速などの詳細を含む音声生成を制御し、特定の音声を模倣することができます。MinMoの音声テキスト変換の遅延は約100ミリ秒、全二重遅延は理論上約600ミリ秒、実際は約800ミリ秒です。MinMoの開発は、従来のマルチモーダルモデルのアライメントにおける主な制約を克服し、ユーザーにより自然でスムーズ、人間味のある音声インタラクション体験を提供することを目的としています。

Agentplaceは、コーディングの知識がなくてもAIモデル上にAIアプリケーションやウェブサイトを構築できるプラットフォームです。AIの適応性、常識、知識、音声能力を活用し、テキストプログラミングのみで利用可能です。主な利点として、動的なユーザーインターフェース、音声モード、常識理解、即時公開などが挙げられます。Agentplaceは、AI技術によってウェブサイトやアプリケーションの作成プロセスを簡素化し、非技術者でもインタラクティブで動的なウェブサイトを簡単に構築できるようにすることを目指しています。価格体系は、無料プランと有料プランの2種類を用意し、様々なユーザーのニーズに対応しています。

SpeekはAI駆動型のアシスタントです。音声とアニメーションによるマウスポインタガイドで、ウェブサイト上での操作をユーザーに案内し、疑問を解消し、ウェブサイトの機能を理解させ、購買意思決定を簡素化します。リアルタイムのヘルプを提供し、サポートとガイダンスを組み合わせることで、迅速なインストールと即時稼働を実現し、ユーザーエクスペリエンスの向上、売上増加、顧客サポート問い合わせの削減に貢献します。

Google Geminiは、Googleが開発したAIアシスタントアプリです。人工知能技術により、ユーザーの創造性と生産性の向上を支援します。音声によるアプリ操作が可能で、ブレインストーミング、複雑なテーマの簡素化、重要な場面のリハーサルなどにご利用いただけます。Geminiは、検索、YouTube、Googleマップ、Gmailなど、ユーザーが愛用するGoogleアプリと連携し、インタラクティブなビジュアルや現実世界の例を提供することで、専門知識へのアクセスや、あらゆるテーマに関するカスタマイズされた情報を提供します。さらに、旅行計画の迅速化?最適化、AI生成画像の作成、要約、詳細な調査、情報源へのリンク表示などにも役立ちます。

GPT-4oは、OpenAIが提供する高度なマルチモーダルAIプラットフォームです。GPT-4をベースにさらに拡張され、真のマルチモーダルアプローチを実現し、テキスト、画像、音声に対応しています。GPT-4oは、より高速で、低コストで、アクセシビリティに優れた設計となっており、AIとのインタラクションのあり方を根本的に変革します。自然な会話への参加、複雑なテキストの解釈、音声における微妙な感情の認識など、あらゆる場面でスムーズで直感的なAIインタラクション体験を提供し、比類のない適応性を備えています。

リアルタイムAPIは、OpenAIが提供する低遅延の音声インタラクションAPIです。開発者はこのAPIを使用して、アプリケーションに高速な音声対音声エクスペリエンスを構築できます。このAPIは自然言語の音声対音声対話をサポートし、ChatGPTの高機能音声モードと同様に、会話の中断を処理できます。WebSocket接続を介して機能呼び出しをサポートしており、音声アシスタントがユーザーのリクエストに応答し、アクションをトリガーしたり、新しいコンテキストを導入したりできます。このAPIの提供により、開発者は音声エクスペリエンスを構築するために複数のモデルを組み合わせる必要がなくなり、単一のAPI呼び出しで自然な対話エクスペリエンスを実現できます。

文小言は、百度が文心大模型を基盤として開発した、AI搭載のインテリジェント検索アシスタントアプリです。AI技術により、検索、創作、チャットなど多様なサービスを提供します。ユーザーの好みやニーズを記憶し、パーソナライズされた検索結果や創作提案を提供。音声入力や写真入力にも対応し、情報取得やコンテンツ作成をよりスムーズに行えます。

Open-LLM-VTuberは、音声を通じて大型言語モデル（LLM）とインタラクトすることを目的としたオープンソースプロジェクトです。リアルタイムのLive2D顔面キャプチャとクロスプラットフォームの長期記憶機能を備えています。macOS、Windows、Linuxをサポートし、様々な音声認識?音声合成バックエンドや、カスタマイズ可能な長期記憶ソリューションを選択できます。AIとの自然言語対話を様々なプラットフォームで実現したい開発者や愛好家に最適です。

スペースシップアプリは、人工知能技術に基づいた、モバイル端末向けに設計されたスマートアシスタントアプリです。自然言語による対話を通じて、楽しく、有益で、役立つインタラクティブな体験を提供し、エンターテインメントや効率性など、ユーザーの様々なニーズを満たします。テキストと音声入力に対応し、多様な音声によるTTS（テキスト読み上げ）を選択できるため、より自然で親しみやすいインタラクションを実現します。

ドゥドゥはAI搭載のゲームパートナーアプリです。インテリジェントなゲームの相手、感情的な寄り添い、スマートな攻略、ジョーク集、多様なロールプレイングなど、様々な機能を提供します。ユーザーのニーズに合わせてパーソナライズされたインタラクティブな体験を提供し、ゲームの楽しさとインタラクション性を高めます。心影随形（上海）技術有限公司が開発し、Win7以降のシステムに対応しています。

Waveform.aiは、人工知能技術を活用して音声フォームによるデータ収集を行うプラットフォームです。自然言語インタラクションを通じて、顧客インタビュー、従業員調査、市場調査、潜在顧客獲得などにおけるデータ収集を支援します。主な利点として、1. より包括的で深い情報収集：AI駆動型の調査により、より包括的で洞察に富んだデータ収集が可能となり、より深い分析と賢明な意思決定につながります。2. より高い回答率：AI駆動の音声フォームによる自然なインタラクションにより、調査の回答率とユーザー満足度が向上します。3. ブランドアイデンティティの反映：音声とパーソナリティをカスタマイズしてブランドアイデンティティを反映し、一貫性があり記憶に残るユーザーエクスペリエンスを創出します。4. 時間とコストの効率化：従来の人工的なデータ収集方法と比べて、時間とコストを節約しながら、正確性と信頼性を維持します。

Streamer-Sales 銷冠は、大規模言語モデルを基盤としたインテリジェントなライブコマース用主播システムです。商品の特性に基づき、購買意欲を高める視点から商品解説を行います。InternLM2をベースに指示微調整を行い、LMDeployによる高速推論、ASRによる音声テキスト化、RAGによる検索強化生成、Agentによるネットワーク検索などの機能を搭載しています。さらに、TTS技術を用いて感情豊かな音声で解説を生成し、最終的にデジタルアバターによる商品解説ビデオを作成することで、商品解説をあらゆる面から技術的にサポートします。

小窗?対話型AI学習アシスタントは、大規模言語モデル（LLM）に基づく人工知能技術製品です。主に子どもを対象とし、学習や生活において知識の習得を支援し、独立した思考力、質問力、言語表現力の向上を促します。博学なスーパーアドバイザー、いつでも話せる英会話パートナー、無限の創造性を生み出すライティングアシスタント、そして思いやり深い相談相手といったメリットがあります。家庭や教育現場向けのAIアシスタントとして、子どもたちに包括的な知識習得とコミュニケーションの機会を提供します。

Retell AIは、開発者が人間らしい会話音声AIを1日で構築できるAPIです。約800ミリ秒の応答時間を実現し、会話の中断にも対応しています。Retell AIを使用することで、自然でスムーズな、まるで人間と会話しているかのようなインタラクションを体験できます。

Krutrimはインドで独自開発されたAIアシスタントで、インドの現地語でコミュニケーションをとることができます。音声インタラクション機能を備え、インドの公用語22種に対応。インド文化に関する知識を内蔵しており、インド文化の文脈に沿ったテキストを生成できます。Krutrimは、Eコマースやカスタマーサービスなどの幅広い場面で活用でき、企業は顧客体験の向上を図ることができます。

r1は、自然言語によるインタラクションを採用したパーソナルAI音声アシスタントです。パーソナライズされたオペレーティングシステムにより、まるで友人と話すように自然なコミュニケーションが可能です。音声認識、人間と機械の対話、パーソナライズされたおすすめ機能などの人工知能技術を搭載し、日々のタスクをより効率的に処理するお手伝いをします。あなたの頼れるパートナーです。

Cerence Chat Proは、自動車メーカー向けのアプリケーションです。音声インタラクションを通じて、ChatGPTなどの生成AIシステムを車載システムにシームレスに統合できます。高いカスタマイズ性と互換性を備えており、自動車メーカーはブランドのポジショニングとユーザーニーズに合わせて、個性的なAI対話体験を迅速に構築できます。競合製品と比較して、Cerence Chat Proは統合が容易で、拡張性と反復性に優れ、自動車メーカーの研究開発コストを削減するのに役立ちます。

Dittin AIは、AI音声によるロールプレイングサービスを提供するアプリケーションです。ユーザーは様々な仮想キャラクターを選択でき、各キャラクターはそれぞれ独自の設定や個性を持っています。Dittin AIを通じて、ユーザーは仮想キャラクターとのインタラクションを楽しめ、様々な状況やストーリーを体験できます。

Imagine with Meta AIはAI技術を用いた画像生成ツールです。音声による説明だけで、ユーザーが記述した画像を自動生成します。これにより、画像コンテンツが大幅に拡充され、ユーザーは自由に創作活動を行うことができます。現在、クローズドベータ版であり、生成機能を使用するにはログインが必要です。

Diaruptは、リアルなデジタルアバターと自然な音声を使用して、短時間で製品にダイナミックなAIインタラクションと会話を構築できるプラットフォームです。使いやすいAPIとSDKを提供しており、感情豊かで一貫性のある会話体験を製品に組み込むことができます。

DialMeは、面接の自動化と時間節約を実現するプラットフォームです。AI駆動の会話により、退屈なテキスト形式のアンケートに代わる、ユーザーとの真のコミュニケーションと洞察を提供します。製品マネージャー、事業オーナー、マーケティングチームは、DialMeを使ってAIインタビュアーを作成し、特定の機能や製品ロードマップの検証を行い、ユーザーの理解を深め、より賢明な意思決定を支援できます。DialMeは複数のインタビューを同時処理でき、ユーザーはいつでもインタビューに参加できます。また、様々なニーズに対応できる様々なインタビューテンプレートも提供しています。

WPS AIは、テキストの書き換え、続き書き、PPT作成、データ処理、音声インタラクションなど、多くの機能を備えたスマートなオフィスアシスタントです。ユーザーの作業効率を大幅に向上させ、様々なオフィスワークを簡単にこなせるよう支援します。無料版と有料版があり、ユーザーのニーズに合わせて選択できます。WPS AIは、スマートオフィス分野におけるリーディングブランドを目指しています。

Natulangは、音声インタラクティブ型の言語学習アプリです。音声生成と音声認識技術を活用し、ユーザーは会話の音声読み上げを通して言語学習ができます。文字入力重視の他の言語学習アプリとは異なり、Natulangは音声コミュニケーションに重点を置き、ユーザーの言語表現における自信を育みます。

左手医師オープンプラットフォームは、AIとデータを通じて医療健康業界を支援し、スマート医療のアップグレードを実現します。医療機関、情報化メーカーなどのパートナーに、国内トップレベルの医療大規模言語モデル、インテリジェント製品、専門的な技術サポートを提供し、患者の主体的なコミュニケーションによるスマート医療サービスシステムを構築します。

Speaksaiは、人工知能と自然言語処理の高度な機能を組み合わせた革新的なアプリです。音声による簡単なやり取りで、すぐに質問に答えてくれます。Speaksaiとの会話は、文脈を理解し、フレンドリーな応答が可能です。