OpenAI の GPT-4 ボイスアシスタントの熱狂の中、新しい参入者が登場しました - フランスの企業 Cute AI Labs が開発したオープンソースのボイスアシスタント Moshi AI です。このウェブベースのインターフェイスは、低遅延のインタラクションと感情認識を備えた音声を提供することを約束しています。

Moshi AI の主な特徴は以下の通りです:

• 低遅延: Moshi AI は、ボイスアシスタントによくある遅延した応答とは異なり、リアルタイムで割り込み駆動のボイス体験を提供することを目指しています。

• 感情認識: このアシスタントは、ユーザーの感情的な調子を検出し、それに応答する能力を持っているとされていますが、テスト中はこの機能が一貫して実証されませんでした。

• オープンソース: Cute AI Labs は Moshi AI のコードをオープンソース化する計画で、開発者がそれを自社のアプリケーションに統合できるようにします。

初期のテストでは、音声変調や感情検出の不安定さなどアシスタントの機能に一定の制限が明らかになりましたが、Moshi AI のオープンソース性により、コミュニティの貢献によって時間とともに改善される可能性があります。

Moshi AI の登場と、GPT-4 のボイス機能の発表が予定されていることは、会話型 AI の世界に興奮的な時期を告げています。これらの技術が進化し続けるにつれ、ユーザーはより革新的で利用しやすいボイスアシスタントが登場するのを期待できるでしょう。それにより、テクノロジーとの対話方法が変革される可能性があります。

たった 7 年前、AI 画像生成の最先端はほとんど認識できないものでした。今や、最新のビデオ生成モデル GenFree は大きな飛躍を遂げ、驚くほど現実的で創造的な映像を生み出しています。

GenFree は印象的な業績ですが、その機能と限界を理解することが重要です。このモデルは、関連する視覚データの広範な訓練により、ドローンで撮影したライトハウスのようなシネマティックなショットを生成するのに優れています。しかし、カワウソがwave に乗っているようなニッチな要求には苦戦します。なぜなら、そのような特殊な例がトレーニングデータに含まれていないためです。

GenFree の主な強みの1つは、さまざまな芸術的スタイルをブレンドする能力です。オランダ人画家ヒエロニムス・ボスの様式でシーンを作成するよう指示すると、中世のファンタジーと現代の GTA 風シネマトグラフィーが魅力的に融合した結果が得られます。

ただし、GenFree の使用コストは急速に積み上がります。10 秒間の生成には 1 ドルのクレジットがかかり、目的の結果を得るには多数の反復が必要です。これにより、カジュアルな実験には手が出せないほど高価になる可能性があります。

これらの制限にもかかわらず、GenFree の可能性は否定できません。このモデルが改善され、使用コストが下がるにつれ、モトローラの広告キャンペーンのように、より多くの現実世界での応用が期待できます。

その間は、GenFree の最も報わされる使い道は創造的な探索と実験の領域かもしれません。「帽子をかぶった猫たちのダンスパーティー」のような通常とは異なる要素の組み合わせをモデルに指示すると、楽しく奇妙で想像力豊かな結果が得られる可能性があります。

AI ビデオ生成分野が急速に進化する中、これらの最先端ツールの機能と限界を探求する時期です。忍耐強く実験する姿勢を持てば、GenFree の真の可能性を引き出し、AI 駆動の視覚表現の境界を押し広げることができるでしょう。

11 Labs は、ボイスアシスタントプラットフォームに新機能を提供し続けています。主な更新内容は以下の通りです:

1. 有名な声: 11 Labs のリーダーアプリでは、米国、英国、カナダのユーザーがジェームズ・ディーンやバート・ラーのような有名な声で自分のテキストを読み上げることができるようになりました。これにより、テキスト読み上げ体験に楽しく独特のタッチが加わります。

2. 音声分離: 11 Labs は、ノイズの多い音声から声を分離できる新しい AI ツールをリリースしました。これにより、ユーザーは背景ノイズを除去し、クリスタルクリアな音声を得ることができます。他社が今年初めにリリースした機能と似ています。

3. AI 音楽生成のモバイルアプリ: Sooner という音楽生成 AI が、ユーザーがモバイルで AI 音楽を生成できるアプリをリリースしました。ただし現在は、多言語対応が統合されるまでの間、米国の iOS ユーザーのみ利用可能で、Android 版とグローバル展開は計画中です。

11 Labs と Sonerの更新は、AI 駆動のボイスアシスタントと音声操作機能の継続的な進化と拡張を示しています。有名な声や音声分離機能は即座に有用ですが、モバイルの音楽生成アプリは、移動中の AI 駆動の創造性の可能性を示唆しています。

ちなみに、Luma AI も新しい機能「Luma Keyframes」をリリースしました。この機能を使うと、1つのものを別のものに変換し、AI ビデオで滑らかな遷移を作成できます。

この機能をテストするため、チームのスター・ウォーズテーマのビデオで使用した Mid-Journey 生成画像を使ってみました。Luma Keyframes 機能がこれらの遷移をどのように処理するかを確認したのです。

残念ながら、結果はやや失望的でした。テストした 8 人のチームメンバーのうち、8 人の遷移はほとんど使い物にならないものでした。この機能は、シーンの中央で硬いカットを生み出すことが多く、私たちが望んでいた滑らかな遷移にはなりませんでした。

例外もありました。アリアドの光剣の遷移はかなりよく、ラリーのヨーダ風の悪役キャラクター間の遷移にも興味深い瞬間がありました。しかし全体としては、期待していた程の滑らかさではありませんでした。

Luma Keyframes 機能は魅力的な概念ですが、実際の使用では多くの反復と微調整が必要であることが分かりました。AI 生成のコンテンツは視覚的に印象的ですが、このようなスムーズな遷移には必ずしも適していないようです。

まとめると、Luma Keyframes 機能は有望ですが、私たちのテストでは、まだプライムタイムに使えるレベルには達していません。この技術はまだ進化中で、今後の改善を見守る必要があります。当面は、慎重な期待を持って接するのが賢明でしょう。

モトローラは最近、AI ビデオ技術の創造的な活用を自社の広告キャンペーンで披露しました。Control Net や Stable Diffusion などのツールを活用し、モトローラのロゴを様々なファッション風のスタイルに自然に統合した一連の画像を生成しました。

ワークフローは、おそらく Control Net を使ってロゴを画像に挿入し、その後 Stable Diffusion を使って最終的な映像を生成したものと考えられます。これらの画像は、音楽とエディティングを加えて商業広告にコンパイルされ、洗練された視覚的な魅力的な最終製品が作り上げられました。

この事例は、企業がAIビデオ生成の実用的な応用を探り始めていることを示しています。Gen-Free が披露した最先端のサンプルほどの品質ではありませんが、モトローラの広告キャンペーンは、特定のコンテンツ制作にAI駆動のビデオが実用的で費用対効果の高いソリューションになり得ることを示しています。

技術が継続的に改善されるにつれ、より多くのブランドやビジネスがマーケティングや広告戦略にAIビデオを取り入れるようになると予想されます。これは、AI駆動のメディア制作分野における興味深い発展を示しており、今後数年間でこの業界がどのように進化していくかを見守るのが楽しみです。

Perplexity、AI 駆動の検索エンジンが、「Pro Search」と呼ばれる新機能を導入しました。この機能は、より高度で包括的な検索機能を提供することを目的としています。マルチステップの推論や、数学、プログラミング、Wolfram Alpha などの外部データソースへのアクセスを統合し、より正確で情報豊富な検索結果を提供します。

Perplexity Pro Search 機能の主な側面は以下の通りです:

1. マルチステップの推論: 検索エンジンは複雑なクエリを分解し、複数のステップの推論を行うことで、より包括的で関連性の高い回答を提供できるようになりました。これにより、ユーザーはより微妙で詳細な質問をし、カスタマイズされた回答を得られるようになります。

2. 外部データの統合: Perplexity Pro Search は、数学的計算、プログラミングリソース、Wolfram Alpha の知識ベースなどの外部ソースにアクセスし、活用できるようになりました。この統合により、特殊な知識や計算を必要とするクエリに対して、より正確で情報豊富な回答を提供できるようになります。

3. プレミアム機能: Perplexity Pro Search の機能は現在、Perplexity のサブスクライバー向けのプレミアム機能として提供されています。これにより、プラットフォームを定期的に利用するユーザーが、これらの高度な検索機能にアクセスし、全体的な検索体験を向上させることができます。

Perplexity Pro Search の導入は、AI 駆動の検索がより主体的で知的なものへと進化していく一歩を示しています。AI システムが積極的に推論し、外部リソースを活用して、ユーザーにより包括的で有用な情報を提供できるようになるのです。高度な検索機能に対する需要が高まるにつれ、このような機能が AI 駆動の検索ランドスケープにおいて重要になっていくと考えられます。

ビデオで紹介されている最も興味深く楽しい AI 実験の1つは、コミュニティのキャロルが共有した「Interdimensional Cable ONE」ウェブサイトです。このウェブサイトは、アニメ「リック&モーティ」に登場する有名な「Interdimensional Cable」コンセプトを再現したものです。

このアニメでは、アンクル・リックが別の次元から持ち帰ったテレビを通して、キャラクターたちがマルチバースにわたるランダムで奇妙なテレビ局を視聴できるようになります。WebSim AI チームは、この概念をウェブ AI を使って再構築し、同様にランダムで予測不可能な視聴体験を提供するウェブサイトを作り上げました。

Interdimensional Cable ONE ページを読み込むと、何が表示されるかわかりません。超ランダムでトリッピーなビデオの集まりが提示され、アニメの「Interdimensional Cable」コンセプトの本質を捉えています。この実験は、「リック&モーティ」の熱心なファンに最も共感を呼ぶと思われ、ショーの独特の美学への細かい配慮が感じられます。

このビデオは、AI の世界がすべて生産性や真面目なアプリケーションについてではないことを示しています。奇妙なビデオ生成やインターディメンショナル・ケーブル風のウェブサイトの創造など、AI の楽しく実験的な側面も同様に刺激的で探求に値するのです。このプロジェクトは、AI とポップカルチャーの交差点から生み出される創造性と遊び心の証左です