Sesame(セサミ)とは
Sesameとは、米Sesame社が開発する、人間らしく自然な話し声を生み出すAI会話音声モデルです。同社のモデルはCSMと呼ばれ、「いかにも機械的」な読み上げから抜け出した自然さで注目を集めました。
英語表記：Sesame CSM（Conversational Speech Model）
読み上げではなく、会話に合わせて話す
従来の音声合成は、文章を一定の調子で読み上げるのが基本でした。では、何が新しいのでしょうか。Sesameが目指すのは、会話の流れに合わせて声の調子や間、抑揚を変えることです。同じ言葉でも、場面に応じて変わる話し方。公開されたデモ音声の「Maya」「Miles」が驚くほど自然だと話題になり、2025年3月にはモデルがオープンソースとして公開されました。問い合わせ対応や音声ガイドなど、声で人と接する場面での活用が見込まれるでしょう。なお、同じ音声系でも、聞きながら話すテンポを重視するMoshiとは狙いが異なります。
TopicVRの立役者が、次に選んだのは「声」
Sesameを率いるBrendan Iribe氏は、VR（仮想現実）ヘッドセットのOculusを共同創業した人物です。フェイスブック（現Meta）に買収された有名企業を率いたのち、今度は「自然な声」の領域に挑んでいます。目で没入する技術の次に、耳で心を動かす技術へ。人とコンピュータの接し方を変えようとする一貫した関心が、その歩みからにじみます。
関連用語
Sesameに関するよくある質問
- SesameとMoshiは何が違いますか？
- どちらも音声系のAIです。Sesameは人間らしい自然な話し声づくりに重きを置く会話音声モデル、Moshiは聞きながら話せるリアルタイムの会話に強いモデルで、狙いどころが異なります。
- Sesameは自社のサービスに組み込めますか？
- 会話音声モデルの一部がオープンソースで公開されており、技術的には自社サービスへの組み込みも見込めます。実際に使う際は、ライセンス条件や音声の権利の扱いを確認しておくと安心です。
