Hush
Weya AI · 音声・言語
HushはWeya AIによるオープンソースの音声強化モデルで、Voice AIシステム向けに作られた。騒がしい通話音声をリアルタイムで整え、背景ノイズと競合する声を抑え込む。電話エージェント、文字起こしツール、音声ボットが一つの明瞭な声を聞き取れるようになる。約8 MBで、標準的なCPU上で動く。10 msの音声フレーム1つあたりの処理は1 ms未満だ。
Hush について
Hushとは
Hushは音声強化モデルであり、完成したアプリではない。Weya AIはただ一つの用途のために設計した。劣化した通話音声がVoice AIの処理系に届く前に救い出すことだ。大半の音声エージェントは弱い言語モデルではなく音質の悪さで失敗する。Hushはその問題の発生源に手を入れる。
面白いのは狙っている対象だ。従来のノイズ抑制ツールはファンや交通、キーボードの打鍵といった定常的な音を扱う。Hushはさらに競合する人間の声にも向かう。これがオープンソースモデルにとって難しいケースだ。主要な通話者を分離する。他の話者は背景へ消えていく。
問題は、これが消費者向けツールではない点だ。デスクトップアプリもスマホアプリもない。Google Playの掲載もない。コード、Hugging Faceのモデルカード、またはWeya AIのプラットフォーム経由で使う。つまり開発者とチーム向けで、一般ユーザー向けではない。
はじめかた
- Hugging FaceのモデルページかGitHubリポジトリで、モデルカード、ライセンス、サンプル音声を確認する。
- 依存関係をインストールする。多くの場合、PythonとPyTorchを指す。
- モデルを処理系に読み込み、想定される電話ネイティブのサンプルレートに合わせて16 kHzのモノラル音声を入力する。
- CPU上でストリームをフレーム単位で処理し、整えた出力をASRや音声エージェントに渡す。
- 管理された構成を求めるチームは、自前で組む代わりにWeya AIとの2週間の試験運用を始められる。
AIツール情報
Hushの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- Voice AI開発者
- コールセンターのエンジニア
- 録音を扱うデータチーム
タスク
- 文字起こし前の通話音声のクリーニング
- 音声ボットの理解力の向上
- 音声データセットの前処理
シーン
- 債権回収やBFSIの通話フロー
- リアルタイム電話エージェント
- 現場やモバイルのサポート窓口
主な機能
CPU上でのリアルタイム処理
Hushは標準的なCPUコア上で、10 msの音声フレーム1つを1ミリ秒未満で処理する。GPUは不要で、導入コストを抑えつつ処理系の残りに余裕を残せる。音声エージェントを大規模に動かすコストを見極めるチームにとって、この一つの設計判断が構成の中で最大のインフラ費を消す。生の通話では、知覚できる遅延がないということだ。
背景話者の抑制
これがHushの目玉機能だ。定常ノイズを削るだけでなく、主要な通話者を近くで話す他の人物から切り分ける。これは難問だ。古いオープンソースモデルは、競合する声を書き起こしに漏らすか、両方の話者を潰すかのどちらかになる。Hushはどちらの失敗も避けるよう訓練されている。
わずか8 MBの軽さ
モデルはおよそ8 MBなので、ストレージやメモリを気にせず自社のクラウドやデータセンター内に載せられる。小さなモデルは起動も速い。多数の同時通話へ拡張するとき、これが効く。
電話ネイティブの16 kHz音声
Hushは16 kHzで動作する。G.711、WebRTC、SIPが使うサンプルレートだ。この一致により、入力前の電話音声のリサンプリングが不要になり、リサンプリングが通常もたらす品質劣化を避けられる。
完全因果の設計
アルゴリズム遅延は約20 ms、先読みはゼロ。Hushはすでに到着した音声だけを使う。これがオフラインのクリーニングだけでなく、生の会話で安全に使える理由だ。
1万時間超の実際の通話音声で訓練
訓練セットは実環境から取った音声、ノイズ、重なり合う話者を混ぜている。この広さが、静かなテストラボだけでなく満員のレストランや交通の中でも耐えられる理由だ。
メリットとデメリット
メリット
- 無料かつオープンソースで、自社の構成で試すのにライセンス費用がかからない。
- CPU上でリアルタイムに動き、音声モデル最大のコストであるGPUハードウェアを不要にする。
- 競合する話者を明示的に扱う。大半のオープンソースのノイズ抑制ツールが開けたままにしている穴だ。
- 8 MBと小さく、ほぼどこにでも導入できる。
デメリット
- 消費者向けアプリもGoogle Playのダウンロードもないため、非開発者はただ入れて使うわけにはいかない。
- Weya AIはより大きな背景音声向けの版をまだ調整中で、最も騒がしい環境はまだ完全には対応できていない可能性がある。
- 無料モデルと従量課金の先の料金は管理プラットフォーム次第で、企業向けの数字はWeya AIに問い合わせる必要がある。
よくある質問
HushはVoice AIシステム向けに騒がしい音声を整える。生の通話から背景ノイズと競合する声を取り除き、音声認識と音声エージェントがより明瞭な入力で働けるようにする。それが目的のすべてだ。
関連コンテンツ
Hushに関連するツール、スキル、記事を探す。
Hushの代替ツール
Prosp
Prosp · ライティング · 音声・言語 · マーケティングProspは、代理店や営業チーム向けに作られたAI LinkedInアプローチツールだ。見込み客ごとに自分の声でメッセージとボイスメッセージを書き、相手が本当に返信するように仕向ける。アカウントをつなぎ、リードを見つけ、AIにパーソナライズされたメッセージを大量に下書きさせて送信させる。すべて1つの受信トレイから行える。大量のアウトバウンドを回す人向けにできている。それがこの製品の売り込みのすべてだ。それでも各接点は人間らしく感じられなければならない。
Wordly AI Translation
Wordly · 音声・言語 · 生産性向上Wordly AI Translationは、会議・カンファレンス・イベント向けに作られたリアルタイムAI翻訳・字幕プラットフォームだ。60以上の言語でライブ翻訳、字幕、文字起こし、要約を提供し、参加者は専用ヘッドセットを使わず、QRコードを読み取るかリンクを開くだけで参加できる。Zoom、Microsoft Teams、Google Meet、Webexと連携し、セッションごとに人間の通訳を雇わずに多言語対応したい組織に向く。それだけのことだ。
Musicful
Musicful AI · 音声・言語 · 動画Musicfulは、テキストを数分で音楽に変えるAI音楽ジェネレーター兼AIミュージックビデオ作成ツール。テキストの指示、歌詞、あるいは口ずさんだメロディーを渡すと、ボーカルと楽器が入った完成したトラックを返す。AI楽曲ジェネレーターとしても機能し、自分が作った曲からミュージックビデオを生成し、AIカバーツールと開発者向けAPIも備える。ウェブブラウザとAndroidアプリで動くので、パソコンで曲を始めてスマホで続きを進められる。