# 音声翻訳

Hibikiは、ストリーミング音声翻訳に特化した先進的なモデルです。十分なコンテキスト情報をリアルタイムに蓄積することで、正確な翻訳を逐次生成します。音声翻訳とテキスト翻訳をサポートし、音声変換も可能です。マルチストリームアーキテクチャに基づいており、ソース音声とターゲット音声を同時に処理し、連続したオーディオストリームとタイムスタンプ付きテキスト翻訳を生成します。主な利点としては、高忠実度の音声変換、低遅延のリアルタイム翻訳、複雑な推論戦略への適合性などが挙げられます。Hibikiは現在、フランス語から英語への翻訳をサポートしており、国際会議や多言語ライブ配信など、リアルタイムで効率的な翻訳が必要な場面に適しています。モデルはオープンソースで無料で、開発者や研究者にご利用いただけます。

Microsoft Translator Proは、マイクロソフトが企業ユーザー向けに提供する言語翻訳アプリケーションです。職場における言語の壁を取り除くことを目的としています。このアプリケーションは、リアルタイムの音声翻訳機能、オフライン翻訳機能を提供し、企業IT管理者はアプリケーションの展開と使用を詳細に制御できます。製品の背景情報によると、このアプリケーションはマイクロソフトの人工知能と機械学習における最新の成果であり、マイクロソフトが複数言語間のコミュニケーション促進に尽力していることを示しています。製品は有料で、効率的なコミュニケーションと協働を必要とするグローバル企業ユーザーをターゲットとしています。

TransVIPは、マイクロソフトリサーチが開発した革新的な音声から音声への翻訳システムです。話者の音声特徴と等時性（話し方のリズムと間）を翻訳プロセスで保持できるため、ビデオの吹き替えなどに非常に役立ちます。TransVIPは、同時確率を用いたエンドツーエンド推論を採用し、様々なデータセットをカスケード処理します。主な利点としては、高い適応性、音声特徴の保持、等時性の維持があり、多言語コミュニケーションやコンテンツのローカリゼーションにおいて重要な価値を提供します。

ultravox-v0_4_1-mistral-nemoは、事前学習済みのMistral-Nemo-Instruct-2407とwhisper-large-v3-turboを基盤としたマルチモーダル音声大規模言語モデル（LLM）です。このモデルは、テキストシステムプロンプトと音声ユーザーメッセージなど、音声とテキストの両方の入力を同時に処理できます。Ultravoxは、特別な<|audio|>擬似トークンを使用して入力オーディオを埋め込みに変換し、テキスト出力を生成します。今後のバージョンでは、意味的および音響的なオーディオトークンの生成をサポートするトークン語彙の拡張を計画しており、これにより、ボイスコーダーに入力して音声出力を生成できるようになります。このモデルはFixie.aiによって開発され、MITライセンスで提供されています。

fixie-ai/ultravox-v0_4_1-llama-3_1-8bは、事前学習済みLlama3.1-8B-Instructとwhisper-large-v3-turboを基盤とした大型言語モデルであり、音声とテキストの入力を処理してテキスト出力を生成できます。このモデルは、特別な<|audio|>擬似トークンを使用して、入力音声の埋め込みを生成し、テキスト出力を生成します。将来のバージョンでは、意味的および音響的なオーディオトークン生成をサポートするためにトークンボキャブラリを拡張する予定であり、それによりボコーダーを用いた音声出力も可能になります。このモデルは翻訳評価において優れた性能を示し、バイアス調整は行われていません。音声エージェント、音声翻訳、音声分析などのシナリオに適しています。

DeepL Voiceは、即時かつ安全な音声翻訳を提供する製品で、世界中のチームが言語の壁を乗り越え、シームレスなコミュニケーションを実現することを目的としています。高度なAI技術を活用し、高品質の音声翻訳サービスを提供。多言語に対応し、Microsoft Teamsなどの様々なプラットフォームに統合されています。主な利点としては、低遅延?高性能な翻訳、比類のない翻訳精度、そしてセキュリティを重視した設計理念が挙げられます。

Whisper large-v3-turboは、OpenAIが開発した高度な自動音声認識（ASR）および音声翻訳モデルです。500万時間以上のラベル付け済みデータでトレーニングされており、ゼロショット設定で多くのデータセットやドメインに汎化できます。このモデルはWhisper large-v3を微調整したバージョンで、速度向上のためデコード層が32から4に削減されていますが、わずかに品質が低下する可能性があります。

ボイスエンジンは、わずか15秒の音声サンプルから、元の話者と非常に似た自然な音声を作成できる最先端の音声合成モデルです。このモデルは、教育、エンターテインメント、医療など幅広い分野で活用されており、読み上げ支援の提供（非読字?非書字者向け）、動画やポッドキャストコンテンツの音声翻訳、非言語コミュニケーション能力者の音声付与など、多様な用途が期待されています。少量の音声サンプルで高品質の音声を生成できること、多言語に対応していることが大きな利点です。現在、ボイスエンジンは小規模プレビュー段階にあり、OpenAIは関係者と連携して潜在的な用途と倫理的な課題について検討しています。

米可インテリジェンスは、AI駆動による音声翻訳、音色カスタマイズ、吹き替えなどの音動画サービスをワンストップで提供するプラットフォームです。AI技術により複雑な操作を極めてシンプル化し、作業効率を90％以上向上させます。主な機能は、音声翻訳（音動画の音声を他の言語の音声に翻訳、AIによる完全自動化、精度は98％超）、音色カスタマイズ（個性的な音声をカスタマイズし、音声翻訳や吹き替えなどに活用）、音声合成（テキストを自然で生き生きとした音声に変換）です。料金はリーズナブルで、クロスボーダーマーケティング、教育、メディアなど幅広い分野でご利用いただけます。

Byrdhouseは、AIを搭載したリアルタイム音声翻訳と字幕翻訳を提供します。100種類以上の言語に対応しており、会議、通話、チャットでご利用いただけます。Byrdhouseを使用すれば、リアルタイム翻訳の手間を省き、グローバルチームや国際的なパートナーとのコミュニケーションと協調作業に集中できます。Byrdhouseがあれば、参加者はメモを取る必要がなく、会話に集中できます。さらに、さまざまな言語での会議記録と文字起こしを取得することも可能です。Byrdhouseは、どんな言語を話す人でも発言できる包括的な文化の構築を支援します。

TurnVoiceは、YouTube動画の音声を変換および翻訳できるコマンドラインツールです。音声変換と音声翻訳機能を提供し、特定の発話者の声を置き換え、ローカルファイルの処理に対応、元の背景音も保持します。複数の音声合成エンジンを使用し、多言語に対応しています。クリエイティブな動画制作や音声翻訳など、様々なシーンで活用できます。現在開発段階であり、機能や価格などの詳細は公式ウェブサイトをご確認ください。

Whisperは、汎用的な音声認識モデルです。多様な音声データを用いて大規模に訓練されており、多言語音声認識、音声翻訳、言語識別をこなすマルチタスクモデルです。

本スマート翻訳ツールは、テキストや音声の翻訳を迅速かつ正確に実行できる強力なツールです。リアルタイム翻訳、オフライン翻訳、音声テキスト変換などの機能を備え、複数の言語間の相互翻訳に対応しています。ユーザーの皆様に便利な国際交流ツールを提供します。柔軟な価格設定で、無料プランと有料プランをご用意しています。個人ユーザー、学生、ビジネスパーソンなどにご利用いただけます。

Azure AI Speech Studioは、音声テキスト変換やテキスト音声変換などの機能を提供する音声サービスプラットフォームです。アプリケーションの音声による聞き取り、理解、コミュニケーション機能を実現できます。Speech Studioは、音声テキスト変換、リアルタイム音声テキスト変換、一括音声テキスト変換、カスタム音声認識、音声翻訳、テキスト音声変換など、多様な音声機能を提供しています。ユーザーはニーズに合わせて適切な機能を選択し、サンプルコードで迅速に使い始めることができます。Speech Studioでは、ドキュメント、クイックスタートガイド、Microsoft Q&A、Microsoft Learnなど、学習リソースも提供しています。

讯飛听见は、音声文字起こし、録音整理、音声翻訳などのサービスを提供するスマートオフィスサービスプラットフォームであり、業務効率の向上を目指しています。音声や動画を迅速に文字起こしし、AIライティング、同時通訳、翻訳などの機能を提供します。

Spotifyは最近、ポッドキャストの内容を他の言語に翻訳する音声翻訳機能を発表しました。元の配信者の声のトーンやスタイルを維持したまま翻訳されます。Spotify独自開発のこの技術は、OpenAIの最新の音声生成技術を活用し、元の配信者の声色やイントネーションを忠実に再現することで、より自然でリアルな翻訳体験を提供します。これにより、これまで英語のみだったポッドキャストを、スペイン語、フランス語、ドイツ語など、世界中のユーザーが母語で楽しめるようになりました。

SeamlessM4Tは、多モーダルモデルに基づく音声翻訳製品であり、約100言語の自動音声認識、音声翻訳、テキスト翻訳、音声合成などをサポートしています。本製品は、新たな多タスクUnitYモデルアーキテクチャを採用し、翻訳テキストと音声の直接生成を実現しています。SeamlessM4Tの自己教師あり音声エンコーダーw2v-BERT 2.0は、数百万時間にも及ぶ多言語音声の分析を通じて、音声における構造と意味の理解を学習しています。また、SONAR、SpeechLASERなどの多言語音声?テキストデータセットや、fairseq2などのシーケンスモデリングツールキットも提供しています。SeamlessM4Tの公開は、AI技術による音声翻訳における大きな進歩を示しています。

Translatio.AIは、シンプルで迅速な音声翻訳サービスを提供するウェブサイトです。ユーザーは、対応言語のオーディオファイルをアップロードまたは録音し、数秒で翻訳済みのオーディオファイルを入手できます。AI技術を採用しており、高速翻訳、高精度、使いやすさが特徴です。現在90以上の言語に対応しています。ユーザーは翻訳トークンを購入できます。6秒の音声につき1トークン必要です。早期割引価格は以下の通りです。1分10トークン1ドル、2.5分25トークン2.5ドル、5分50トークン5ドル、10分100トークン10ドル。Googleアカウントでログインすると、無料翻訳トークン50個がもらえます。

iFLYTEKスマート翻訳は、高速?高精度、安定した信頼性を持つAI翻訳プラットフォームです。ドキュメント翻訳、テキスト翻訳、音声翻訳、画像翻訳など、多様な機能をサポートしています。23種類のドキュメント形式に対応し、元のフォーマット、スタイル、レイアウトを維持したまま、ドキュメント内の画像翻訳も可能です。140種類以上の言語間の相互翻訳に対応し、ソース言語の自動検出により迅速な翻訳を実現します。iFLYTEKの高度な音声認識と翻訳技術を組み合わせることで、言語の壁を越えたコミュニケーションを可能にします。画像を入力するだけで、画像内のテキストを迅速に認識し翻訳します。SaaS、オンプレミス展開、APIインターフェースなど、多様なソリューションを提供し、様々な企業ニーズに対応します。

SpeakShiftはリアルタイム音声翻訳を提供する製品です。世界中の人々をつなぎ、言語の壁を取り除きます。ユーザーはSpeakShiftでリアルタイムの音声翻訳を行い、スムーズなコミュニケーションを実現できます。SpeakShiftの主な機能には、音声認識、翻訳、音声合成などがあります。高精度な翻訳と迅速なレスポンスが強みです。SpeakShiftは様々な料金プランを用意しており、旅行、ビジネス、教育など、あらゆるシーンでご利用いただけます。SpeakShiftを使えば、世界中の人々と簡単にコミュニケーションを取り、言語の壁を克服できます。

Interpre-Xは、10種類以上の言語に対応したリアルタイム音声翻訳ツールです。場所を選ばず、言語の壁を突破できます。最先端の人工知能技術により、音声?音声、音声?テキスト、テキスト?音声、テキスト?テキストの翻訳サービスを提供します。特別な機器は不要で、良好なネットワーク接続があればご利用いただけます。Interpre-Xは自然で人間らしい高品質の音声と正確なアクセントで、質の高い翻訳を提供します。ソーシャル、旅行、テレビ視聴、語学学習、異なる言語を話す友人との交流など、様々な場面でご活用いただけます。現在ベータ版として公開中です。ぜひお試しください。

スマート翻訳アシスタントは、強力な多言語翻訳ツールです。テキスト、音声、画像の翻訳など、様々な言語間の翻訳を簡単に実行できます。多くの言語に対応し、高精度かつ高速な翻訳を提供します。テキスト入力、写真撮影、音声録音による翻訳が可能で、翻訳履歴の保存や常用言語ペアの設定も可能です。シンプルで使いやすいインターフェースと操作性で、あらゆる場面で手軽に多言語翻訳を利用できます。

Ibiskeyは、友人、家族、チームとのコミュニケーションにおいて、言語の壁を取り払い、ユーザーが自分の言語で自由にタイピング、音声、読書、リスニングができる製品です。リアルタイムチャット翻訳、音声翻訳、ウェブサイト自動翻訳などの機能を提供しており、130以上の言語に対応しています。リアルタイムチャット、ビデオ?オーディオ共有、翻訳テキストと字幕ファイルのダウンロードも可能です。

Dubbifyは、動画翻訳をシンプル、迅速、正確に行えるツールです。57言語のコンテンツ入力に対応し、20言語の人工知能音声翻訳を提供しています。単独でのご利用はもちろん、API連携にも対応しており、あらゆるニーズにお応えします。今すぐ登録して、5ドル分の無料クレジットを獲得しましょう。

SpeechLabは、音声翻訳と音声合成機能を備えたデスクトップクライアントです。音声翻訳により、さまざまな言語間の相互翻訳を可能にし、音声合成機能ではテキストを自然で滑らかな音声に変換します。高品質の音声合成技術により、人間の声に近い自然な合成音声を生成することが可能です。料金体系は無料トライアルと有料サブスクリプションの2種類あり、詳細は公式ウェブサイトでご確認ください。世界中の人々が言語の壁を越え、より簡単にコンテンツにアクセスできるようにすることを目指しています。

独自のアルゴリズムを用いて、動画を他の言語に翻訳し、元の音声をそのまま残します。再録音は不要です。時間と予算を節約し、動画をグローバル市場へと展開しましょう。