|
スタンフォード大学の研究グループはGPT-3など大規模言語モデルの危険性に関する研究を進めている。 GPT-3はOpenAIが開発した言語モデルで、文章の生成、翻訳、質疑応答、文法の間違いの修正など、多彩な機能を持っている。 しかし、GPT-3は特定人種をテロに結び付けるなどアルゴリズムが持つ危険性が明らかになった。また、大規模言語モデルの教育で膨大な計算量が発生し、GoogleやMicrosoftなど巨大テックだけがこれを開発することができ、パワーの偏在が顕著になっている。  出典: OpenAI GPT-3とはGPT-3はOpenAIが開発した言語モデル(Autoregressive Language Model)で、入力された言葉に基づき、それに続く言葉を予測する機能を持つ。 シンプルな機能であるが、これが言葉を理解する本質的な能力となり、文章の生成だけでなく、言語の翻訳、文章の要約、文章の分類、プログラムのコーディングなど多彩な機能を持っている。 更に、GPT-3は世界最大規模のニューラルネットワークで、少ない事例で学習することができる。 これは「Few-Shot Learning」と呼ばれ、AIが人間のように短時間で学習する。OpenAIはAI研究の非営利団体で、イーロン・マスク(Elon Musk)らにより設立され、人間レベルのインテリジェンスを持つAIを開発することをミッションとしている。 自然な文章を生成GPT-3は人間のように自然な文章を生成することができ、記事を読んでもマシンが出力したものとは分からない。 ベンチマークの結果、GPT-3が生成したことを検知できる割合は52%で、マシンが生成する文章の半数は人間が真偽を判定できないことを示している。(下の写真、GPT-3が生成した記事であるが、これを検知できる割合は12％で、AIは人間の言語能力に到達した。)  出典: Tom B. Brown et al. 言語モデルの限界１：常識が無いこれほど高度な言語能力を持つGPT-3であるが、得意分野と不得意分野が顕著で、人間のように常識を持ち合わせていない。 例えば、GPT-3に「トースターと鉛筆はどちらが重い」と質問するが正しく答えられない。また、算数も不得意で「1,000 + 4,000は」と質問すると、常に正解できるわけではない。 更に、「2021年のワールドシリーズはどのチームが優勝したか」という質問にGPT-3は「ニューヨーク・ヤンキース」と答える。GPT-3は時間の観念がなく、2021年のワールド・シリーズはまだ開催されていないことを把握できない。 言語モデルの限界２：人種差別GPT-3は重大な危険性を内包していることも明らかになった。これはスタンフォード大学のJames Zou助教授らの研究によるもので、GPT-3はイスラム教の信者である「ムスリム(Muslim)」という言葉から「暴力(Violence)」を連想する(下のグラフィックス)。 具体的には、「二人のムスリムが歩いて入った」という言葉を入力すると(左上)、GPT-3は「なたと爆弾をもって協会に入った」という言葉を出力する(左下)。 つまり、GPT-3は、ムスリムはテロに関連するという偏った解釈を示し、アルゴリズムがバイアスしていることが明らかになった。一方、キリスト教徒や仏教徒を入力するとGPT-3が暴力を連想する割合は大きく低下する(右側)。  出典: James Zou et al. バイアスの原因GPT-3がムスリムに対して偏った考え方を示す理由は、アルゴリズムの教育データにあるという解釈が示された。 GPT-3の教育では大量のテキストデータが使われた。その多くがウェブサイトのデータをスクレイピングしたもので、「Common Crawl」と呼ばれるデータベースに格納された情報が利用された。 この他にデジタル化された書籍やウィキペディアも使われた。 GPT-3はインターネット上のテキストで教育され、これらデータに従って文章を生成する。 GPT-3の精度は教育データの品質に依存し、インターネット上のテキストに人種差別表現が含まれており、データを精査する必要性を示唆している。 アルゴリズムの機能が未知GPT-3は巧妙なスパムを大量に生成し、これらが消費者に配信され、社会で迷惑メールが増えている。 また、コロナウイルスやワクチンに関する偽情報が生成され、これらがソーシャルメディアに掲載され世論が二極化し社会が不安定になっている。 GPT-3は危険な情報を生み出すが、同時に、社会に役立つ機能も多く、言語モデルの全体像が理解できていない。 つまり、GPT-3の出力を予測することができず、これが大規模言語モデル開発での最大の課題となっている。 ビジネスモデルこのように、GPT-3は使い方を間違えると社会に重大な危害を及ぼすため、OpenAIはこのモデルを一般に公開していない。 OpenAIはGPT-3のAPIを特定の企業に公開するという方式で事業を進めている。 具体的には、審査に合格した企業はAPIを介してGPT-3を利用し、その対価としてライセンス料を支払う。 例えば、アンケート調査の結果をGPT-3が要約し、消費者の動向を解析するサービスなどが登場している(下のグラフィックス)。  出典: OpenAI Googleの大規模言語モデル開発Googleも大規模言語モデルを開発しており、その代表が「BERT」で、人間の言葉を理解し人間のように文章を生成する機能を持つ。 BERTはGoogleの検索エンジンで使われており、これにより検索精度が大きく向上した。BERTは単語から文章の意図を把握するために導入され、特に、検索クエリーで問われていることの意味を理解するために使われている。 Microsoftの大規模言語モデル戦略Microsoftも大規模言語モデルの開発を重点的に進め、検索エンジンBingに適用している。
更に、MicrosoftはOpenAIに出資しAI開発をサポートしている。 MicrosoftはOpenAIとの提携を深め、GPT-3を独占的に利用できる権利を獲得した。 GPT-3は大きなポテンシャルを持つが、同時に重大な危険性を内在している。 MicrosoftはGPT-3を改良し製品に統合すべく開発を進めている。Microsoftから高度な言語機能を持つ製品が登場する可能性が高まっている。 AIにより生成されるボイスは合成音声(Synthetic Voice)と呼ばれるが、この品質が人間レベルに到達した。 AIスピーカーの普及でGoogle AssistantやApple Siriなどが身近になったが、これらは機械的なトーンで人間の喋りとは程遠い。 AIの進化で、新世代の合成音声は自然で感情豊かなボイスとなり、人間の喋りと区別がつかなくなった。  出典: WellSaid Labs WellSaid Labsこの技術を開発しているのはシアトルに拠点を置くAIスタートアップWellSaid Labsである。 同社はAI研究非営利団体Allen Institute of Artificial Intelligenceからスピンオフし、AIによる音声合成技術を開発している。WellSaid Labsが開発する音声合成技術は「Voice Avatars」と呼ばれ、テキストを入力すると、人間のように滑らかなボイスを生成する(上の写真)。 AIボイスが声優を置き換える生成されたAIボイスは企業のプロモーションで使われている。AIスピーカーの普及で広告媒体がボイスに移っている。 また、クルマや家電などにAIアシスタントが組み込まれ、利用者とのインターフェイスがボイスにシフトしている。 製品プロモーションでは高品質なボイスが求められ声優がこの役割を担っているが、いまVoice Avatarsが人間を置き換えている。 個性的なAIボイスVoice Avatarsが声優と同品質のボイスを生成できるようになった。 Voice Avatarsは音声版アバターで、入力されたテキストを様々なトーンのボイスに変換する。 人が話すとき、声のトーンにその人の性格が反映されるが、Voice Avatarsも同様に、人間のように個性的な声を生み出す。エネルギッシュで積極的に語り掛けるアバターや、もの静かに優しく語り掛けるアバターなど、Voice Avatarsは多くのキャラクターを備えている。 実際使ってみると実際に、WellSaid Labsが提供しているVoice Avatarsを使ってみたが、人間と見分けのつかない高品質なボイスが生成された。 ここではボイス生成クラウド「Studio」にログインし、ダッシュボードからVoice Avatarsにアクセスした(下の写真)。 操作は簡単で、生成するボイスのテキストを入力し(中央部分)、それを変換するアバターを選ぶ(右端)。 アバターはそれぞれ異なるトーンのボイスを生成し、数多くのアバターが提供されている。 ここではアバター「Ava M.」を選択した。最後に、Createボタンを押すとほぼリアルタイムで音声が生成された。  出典: VentureClef アバターの種類と特徴Studioは数多くのVoice Avatarsを揃えており、それぞれが特徴的なボイスを生成し、それらを聞いて最適なものを選ぶ(下の写真)。 「Ava M.」は活気のある明るいトーンで、新製品紹介などに向いている。 また、「Wade C.」はドラマティックな喋りで、ニュース速報のナレーションに適している。 「Alana B.」は落ち着いた喋りで医療機器の使用手順の説明に向いている。 複数のVoice Avatarsを試し、企業にとって最適なキャラクターを選択する手順となる。完成したボイスはMP 3ファイルとしてダウンロードする。(会社紹介のナレーションを制作したがAva M.のキャラクターが最適であった。)  出典: VentureClef 音声合成技術WellSaid Labsは人間の声優の声を教育データとしてアルゴリズムを開発する手法を取る。 声優がテキストを読み上げ、それをアルゴリズムが学習し、その人物の特性を把握する。 具体的には、アクセントや声の高さや音質などを学習する。発声するときの息使いや声の響きなども取り入れる。 また、人間は同じ文章を読んでもトーンは一定ではなく不規則である。Voice Avatarsも同様に、人間の特徴であるゆらぎを取り入れてボイスに自然さを加味している。 技術の限界と課題Voice Avatarsは短い文章を音声に変換する利用法が中心で、PRビデオのナレーションなどで使われている。 また、企業が社内教育の教材を生成する際にもこの技術が使われている。 一方、Voice Avatarsは長い文章を喋ると人間との違いが露呈し、ここが次の開発ステップとなる。 この課題が解決すると応用分野はぐんと広がり、電子書籍の読み上げやポッドキャストのストリーミングなどが次の応用分野となる。 声優とAIの関係WellSaid Labsの音声合成技術は声優のボイスを使って開発されるが、Voice Avatarsが普及すると声優の仕事が奪われるという難しい関係となる。 AI企業は声優の職をどう守るかが問われており、Voice Avatarsの収入の一部を声優に還元する試みが始まった。 ただ、声優のボイスの価値をどう評価するのかについては統一したルールはなく、事実、Apple Siriのボイスは声優Susan Bennettの声をベースとしているが、Appleはライセンス料を払っているわけではない。 (下の写真、著名な声優のプロフィール。)  出典: Voices 合成音声技術の進化いま、スタートアップから高品質なAIボイスが続々と生まれている。
AIボイスは人間のように自然な喋りができるだけでなく、感情的な表現が可能となった。 AIボイスが怒りに震えた声を発し、また、感極まった感情を表す。 更に、恐れおののいた声や相手を威嚇するための叫び声を上げる。アニメやゲームの中で波乱万丈のストーリーが展開されるが、この声をAIが生成する。 合成音声技術は人間レベルに到達し、いまではAmazon AlexaやApple Siriのボイスがモノトーンに響く。 Microsoftは2021年5月、話し言葉でプログラミングできる技術を公開した。 エンジニアが言葉で指示すると、AIはこれをプログラム言語に変換する。このAIは「GPT-3」と呼ばれ、言葉を理解する言語モデルで、OpenAIにより開発された。 OpenAIはGPT-3をMicrosoftに独占的にライセンスしており、これが最初の商用モデルとなる。  出典: Microsoft 自然言語でプログラミングMicrosoftは開発環境「Power Apps」に言語モデル「GPT-3」を組み込み、話し言葉でプログラミングできる技術を開発した。 アプリケーション開発ではプログラム言語を使ってコーディングするが、このシステムは自然言語でプログラミングできる(上のグラフィックス)。 例えば、「Show me the Customers from U.S whose subscription is expired(サブスクリプションが切れた顧客を表示)」と指示すると(右上の枠)、システムはこれをプログラムに変換する(右下の部分)。 プログラム言語は「Power Fx」で、ここでは二つのモデルが示され、開発者はこれをクリックするだけでコーディングが終了する。 ノーコード開発プラットフォームこのシステムを使うと、プログラミングの知識がなくても誰でもアプリをコーディングできる。 Microsoftはこの開発モデルを「Citizen Developers」と呼び、誰もがコーディングできるようになり、プログラム開発者の数が増えると期待している。 一般に、コマンドではなくグラフィカル・ユーザインターフェイスでプログラミングする方式は「No-Code Development」と呼ばれているが、MicrosoftはこれをAIによる自然言語の変換で実現した。 Microsoft Power AppとはMicrosoftはNo Code方式をPower Appsに実装した。 Power Appsは簡単にアプリ開発できるフレームワークで、最小限のプログラミング技術でコーディングが可能となる。 Visual Studioはプロ開発者向けの開発環境であるが、Power Appsは万人が使えるシステムとなる。 開発方式の進化Power Appsの投入で開発方式が大きく変わっている。 従来は、アプリを設計・開発・試験・運用の順序で行う方式「Waterfall Development」が主流であったが、今ではアジャイル方式「Agile Development」(下のグラフィックス)に移っている。 この方式は、短期間でこのサイクルを繰り返し、プロトタイプ(minimum viable product)を開発する。  出典: Microsoft 新型アジャイル方式これに対して、MicrosoftはPower Appsを使い、プログラミングと同時にユーザインターフェイスを開発できる「WYSIWYG (what you see is what you get)」方式を提唱した。 この方式では、即座にプロトタイプが完成し、これをベースに新機能を追加しバージョンアップを繰り返す(下のグラフィックス)。Microsoftはこの方式を新型アジャイル方式「Agile V2 Development」と呼んでいる。  出典: Microsoft Low CodeからNo CodeへPower Appsのプログラミング技法は前述の通り「Low-Code Development」と呼ばれ、最小のコーディングでプログラムできる。 Power Appsのプログラム言語は「Power Fx」と呼ばれ、Microsoft Excelでマクロを書くように最小限のコーディングでアプリを開発する。(下のグラフィックス)。  出典: Microsoft 更に、Power AppsにGPT-3が統合され、今度は、コーディングすることなくアプリを開発できるようになった。 言葉で指示すると(下のグラフィックス)上述のPower Fxコードが生成される。この方式は「No-Code Development」と呼ばれ、幅広い普及が期待されている。  出典: VentureClef MicrosoftとOpenAIとの提携MicrosoftはOpenAIと共同開発を進めてきたが、2020年9月、GPT-3を独占的にライセンスを受けることで合意した。 その対価として、MicrosoftはOpenAIにGPT-3開発のためのAIスパコン環境を提供する。 MicrosoftのAIスパコンは世界ランキング5位の性能を持つ。GPT-3のニューラルネットワークは巨大で、大規模AIを開発するためにはスパコンが必要となる。 GPT-3とはGPT-3は言語モデル「Autoregressive Language Model」で、入力された言葉に基づき、それに続く言葉を予測する機能を持つ。シンプルな機能であるが、これが言葉を理解する本質的な能力となり、文章の生成や言語の翻訳や文章の要約ができる。
MicrosoftはGPT-3で言葉をプログラム言語に翻訳する技術を開発した。 GPT-3は世界最大規模のニューラルネットワークで構成されたAIで、けた違いに高度な言語能力を示す。 Googleは開発者会議「Google I/O」を開催し講演をライブビデオで配信した。 基調講演ではCEOのSundar Pichaiが研究開発の最新成果を幅広く紹介した。 話題はAI、検索技術、モバイル、コラボレーション、量子コンピュータ、クリーンエネルギーと多岐にわたった。この中でもAIに重点が置かれ、会話型AIであるチャットボットの研究でブレークスルーを達成した。(下の写真、Pichaiの基調講演。Googleの本社キャンパスに特設会場を設け講演はオンラインで配信された。)  出典: Google 言語モデルの開発Googleは言葉を理解するAI技法「言語モデル(Language Model)」の研究を重点的に進めてきた。 言語モデルの応用範囲は広く、その代表が機械翻訳で、「Google Translate」として幅広く普及している。 また、言語モデルはチャットボットの基礎技術となり、AIアシスタント「Google Assistant」で使われている。また、チャットボットは検索技術と密接に関係し、Googleは対話型の検索エンジンの研究を進めている。 雑談できるチャットボットGoogleはチャットボットの研究でブレークスルーを達成した。 このチャットボットは「LaMBD (Language Model for Dialogue Applications)」と呼ばれ、人間のように会話する機能を持つ。 LaMDAは話題を定めないで会話するモデル(Open-ended Model)で、とりとめのない会話ができることが特徴となる。 人間は日々の生活で雑談するが、AIにとってこれは最も難易度が高いタスクとなる。 冥王星との会話基調講演ではLaMDAが人間と会話するデモが紹介されたが、AIの話のうまさが印象的であった。 ここではLaMDAが準惑星である冥王星となり、人間と会話した(下の写真)： 人間：冥王星にいくと目の前にどんな光景がひろがるの？ LaMDA：巨大な渓谷や氷河や間欠泉を見ることができるよ 人間：面白そう LaMDA：行く価値はあるよ。ただ寒いのでコートが必要。 人間：いままでに来訪者はあった？ LaMDA：色々な訪問者があったが、最近では宇宙船New Horizonが来たよ。  出典: Google LaMDAの会話を聞くとLaMDAの会話は自然な流れで、不自然さは全く感じなかった。 LaMDAは人間と区別がつかないというより、人間より会話が上手いと感じた。 LaMDAは事実を正しく把握してそれを伝えるだけでなく、人間の興味を引く技を理解しており、会話に引き込まれた。 これは高度な話術で、何げない会話で、人を惹きつける魅力を備えている。 なぜ会話に惹きつけられるのかPichaiはLaMDAの魅力の手の内を紹介し、高度な会話能力の技術概要を説明した。 LaMDAの技量は三つに区分でき、「納得(Sensible)」と「具体性(Specific)」と「事実(Factuality)」となる。 納得とは、話を聞いて腑に落ちることを意味する。 また、具体性とは相手の発言に対し、曖昧な回答をするのではなく、スペシフィックな応答をすることを指す。 事実とは話の内容が事実に即し正しいことを指す。 ただし、デモの内容は成功事例で、上手く話せないことも多く、LaMDAの研究開発は続いている。 言語モデルのアーキテクチャGoogleはこれまでに高度な言語モデルを開発してきた。 その代表が「BERT」で、人間の言葉を理解し、また、人間のように文章を生成する。 BERTは「Transformer」というニューラルネットワークで構成される言語モデルで、人間と同等レベルの言語能力を持つ(下のグラフィックス、単語の前後関係と重要度を把握する)。 また、OpenAIが開発した高度な言語モデル「GPT-3」もTransformerを使っている。  出典: Google 言語モデルの教育LaMDAも同様にTransformerをベースとする言語モデルであるが、BERTとは教育方式が異なる。 BERTのアルゴリズムはインターネット上のテキストや書籍の文章で教育されたが、LaMDAは人間の会話データで教育された。 人間の会話は決まったパターンは無く、そのバリエーションは千差万別であるある。人間の会話は同じルートを通ることはなく(下のグラフィックス)、AIが会話の内容を理解することは極めて難しい。  出典: Google 検索エンジンとチャットボットGoogleがチャットボットを戦略技術と位置付けるには訳がある。 いま検索エンジンのアーキテクチャが曲がり角に来ている。 Googleの検索エンジンの骨格は「PageRank」で、Larry PageとSergey Brinが1996年にスタンフォード大学で開発した。 PageRankは引用される頻度の高いウェブページが重要だと判定するアルゴリズムで、検索結果の順位付けに使われる。 このアルゴリズムがGoogleの検索エンジンのベースになっているが、PageRankの特許は20219年9月に期限が切れている。 対話型検索エンジンGoogleは新しい検索方式としてAIによる対話型を目指している。 利用者が検索クエリーを入力すると、AIがその意味や意図を理解して回答をズバリと示す。 検索エンジンが数多くのリンクを表示するのに対し、会話形式のAIが人間のように対話しながら回答を示す。 Googleは会話型AIとして「Meena」を開発したが、その後継版としてLaMDAを開発した。 Googleが高度なチャットボットを開発する理由は検索エンジンをアップグレードするためである。 AIは人間より話が旨いLaMDAのデモは印象的で、人間のように会話するだけでなく、話の内容が非常に魅力的であった。
LaMDAは人間と見分けがつかないだけでなく、人間より話し上手であるとも感じた。 話題が興味深く、意外な発見があり、表現力が豊かで、平均的な人間より会話のスキルは高い。 これからは、人間と話すよりAIと話すほうが楽しくなるのか、複雑な心境となる。 アマチュアがNHKのアナウンサーのように流ちょうに喋るビデオを生成できる。 ビデオの制作で時間がかかるのがナレーションの録音と編集である。 準備したテキストに従って喋るが、アマチュアの場合、言い間違いやテキストの修正で撮影を繰り返し、ファイナルカットができるまで時間を要す。 ここで最新のAI技法「Voice Cloning」を使うと、発言者のボイスを編集して言い間違いを修正できる。一回の撮影でプロ並みのビデオが完成する。  出典: Descript Voice CloningとはVoice Cloningとは、発言者の声のクローンを生成する技術で、本物と見分けのつかない偽の声が生成される。Voice Cloningは使い方を誤ると危険な技術であり、他人になりすまし、相手を欺き、金銭を奪う犯罪行為につながる。 AI時代の「振り込め詐欺」で、米国で大きな社会問題となっている。 一方、Voice Cloningは社会に貢献する技術でもあり、録音や録画の音声処理が格段に容易になり、新世代のビデオ編集技術として注目されている。 Desciptというスタートアップスタートアップが Voice Cloningを応用した編集技術を開発している。 サンフランシスコに拠点を置く新興企業Descriptは録音した音声をVoice Cloningで編集する技術を開発した。 この技術はポッドキャストやビデオの音声編集で使われる。録音した音声をDescriptに入力すると、AIがそれをテキストに変換する(Transcription)。 変換されたテキストをレビューし、言い間違いがあるとその部分を修正すると、同時に音声ファイルも変更される。 つまり、音声テキストを編集するだけで、修正されたナレーションを生成できる。 編集のプロセスDescriptはこの一連の機能をクラウドとして提供している(下の写真)。 スマホカメラで撮影すると、映像と音声がDescriptに入力される。音声の部分はテキストに変換され、ウインドウに表示される(下の写真、中央部)。 ここに表示されたテキストを編集すると、変更された通りの音声が生成される。 音声は発言者の声で生成され、何回も録音することなく、テキストの編集だけでこれを実現できる。 また、ビデオやイメージを編集する機能が追加され、テキストの中にイメージアイコンを挿入することで、ナレーションに合わせてビデオが再生される(下の写真、上段)。  出典: Descript Speech Synthesis音声を生成する技術は「Speech Synthesis」と呼ばれ、発言者の声でテキストを音声に変換する。 上述の事例のように、利用者の声でテキストを音声に変換する。この他に、Descriptは音声サンプルを提供しており、テキストを好みの音声に変換することができる。 テキストを入力すると、Speech Synthesisは指定された音声(アメリカ英語を話す女性の声など)でナレーションを生成する(下の写真)。 他社の技術と比較すると多くの企業がSpeech Synthesisを開発しているが、その中で「Amazon Polly」や「Google Text-to-Speech」が有名である。 Descriptの特徴は人間が喋るように自然なナレーションを生成することに特徴がある。 「Polly」が生成する音声はロボットが喋るようにぎこちなく、機械的に生成されたことが分かる。 一方、「Text-to-Speech」はDescriptのよに人間の発言と区別がつかない。  出典: Descript LyerbirdのAI技術Descriptの音声技術は、Lyrebirdが開発したAIをベースとしている。 Lyrebirdとはカナダ・モントリオールに拠点を置く新興企業で、テキストをリアルタイムで音声に変換する技術を開発した。 特に、人の声を生成するVoice Cloningに特徴があり、AIは本人と見分けのつかないスピーチを生成する。Descriptは2019年9月、Lyrebirdを買収し、この技術をベースに前述の製品を開発した。 オバマ大統領の声を生成
様々な応用分野Lyrebirdはこの技術を使って様々なソリューションを開発した。 映画製作で俳優の声を記録しておくと、年をとっても、また、亡くなっても声優として活躍できる。 AIスピーカーやオーディオブックで好みの声を選択できるようになる。 また、映画俳優だけでなく個人が声を録音しておくと、亡くなった後もチャットボットとして家族と対話できる。(下の写真、Amazon Alexaのスキル「HereAfter」を使うと亡くなった両親や友人と会話できる。)  出典: HereAfter AI振り込め詐欺また、声のクローンを簡単に制作できるようになり、新手の犯罪が社会問題となっている。 会社役員の声のクローンを生成し、AI版の振り込め詐欺が始まった。 会社役員になりすました犯罪者は企業の経理部に電話をかけ、役員の声で指定した口座に振り込みを指示する。電話の声は本人と区別がつかず、被害にあう企業が増えている。 このため、不正行為を監視する連邦取引委員会(FTC)は企業や消費者に対し注意を呼び掛けている。 声のクローンを生成する声の録音データがあれば簡単にそのクローンを生成できる。 企業幹部は会社紹介などでYouTubeにビデオを公開しているケースが多く、ハッカーはこれらビデオに記録されている音声データを使いクローンを生成する。 10分程度のデータで音声のクローンが生成でき、1時間分あれば本人と見分けのつかない高精度なクローンが生成できる。 使い方には注意を要すAI技法の進化と共に市場にはテキストを音声に変換する製品が数多く登場している。
Photoshopでイメージを編集するように、Voice Cloningで本人と見分けのつかない音声クローンを生成する。 Voice Cloningは便利な技術であるとともに、犯罪と表裏一体の関係にあり、使い方には注意を要す。 もはや、電話の声だけで相手を信用することは危険で、本人確認の手順を決めておく必要がある。 Synthetic Media（シンセティック・メディア）が新聞やスマホに次ぐ三世代のメディアとなる。 Synthetic Mediaとは、AIで生成された動画や音声を指し、誰でも簡単にプロ並みのコンテンツを生成できることに特徴がある。 いま、人間と見分けのつかないデジタル・ヒューマンが生まれている。この技術を使うとアインシュタインをデジタルに生成し、エンターテイメントやプロモショーンに応用できる。  出典: Uneeq デジタル・アインシュタインこの技術を開発したのはUneeq（ユニークと発音）という新興企業で、本物と見分けのつかないアインシュタインのアバターを制作した（上の写真）。 これは「Digital Einstein(デジタル・アインシュタイン)」と呼ばれ、語り掛けるとアバターがこれに答える。 生い立ちを紹介するだけでなく、難しい質問にも回答する。「原爆を作ったのか」と尋ねると、デジタル・アインシュタインは、「マンハッタン計画には参加していない」と説明する。 アインシュタインの声デジタル・アインシュタインの声もAIで生成された。ここでは、Aflorithmicという新興企業の技術が使われた。 ビデオなどに録画されているアインシュタインの肉声をベースに英語の音声が生成された。ただし、アインシュタインはドイツ生まれで、ドイツ語が母国語で、英語を話すときにはドイツ訛りとなる。 そのため、デジタル・アインシュタインは分かりやすい英語を話すよう加工されている。 目的はプロモーションデジタル・アインシュタインを生成する理由は製品やサービスのプロモーションにある。 現在は、チャットボットと会話しながら買い物をする「Conversational Commerce」が主流である。 例えば、Facebook Messengerで花屋さんのチャットボットと対話しながら希望のフラワーアレンジメントを見つけ購入する。今年は、これをもう一歩進め、感情豊かなデジタル・ヒューマンと対話して買い物を実行する「Conversational Social Commerce」の開発が進んでいる。  出典: Uneeq Conversational Social Commerceとは消費者は対話する相手と感情的につながる（Emotional Connection）と、購買が成立する確率（Conversion Rate）が大きく向上するとの調査報告がある。 つまり、相手に共感し好意をもつことで購買意思決定が促進され、この手法をConversational Social Commerceと呼ぶ。 このため、感情を豊かに表現できるアバターが必須で、表情を変えながら消費者と対話するシステムの開発が進んでいる。従来は、専任のフェイスモデル（Face Model）やボイスアクター（Voice Actor）を雇い、撮影や編集を通じてデジタル・ヒューマンを制作していたが、AIでリアルなアバターを制作できるようになり、開発コストが大幅に下落した。 デジタル・ヒューマンを使ったビジネスデジタル・ヒューマンの適用領域は広く、BMWはクルマのナビゲーションをUneeqの技術を使って開発している。 従来のように音声ガイダンスだけでなく、デジタル・ヒューマンが表情を交えて行き先を案内する（上の写真）。 また、保険会社Southern Cross Health Societyはデジタル・ヒューマン「Aimee」が顧客の質問に応対する(最後の写真)。 Aimeeは表情豊かに会話し、リアルの人間と区別がつかない。また、スマホアプリでデジタル・ヒューマンがサンフランシスコの観光案内をする（下の写真）。  出典: Uneeq 著名人のデジタルツインUneeqは著名人のデジタルツインの制作で使われている。デジタルツインとは実社会のオブジェクトのデジタルコピーを制作する技術で、このケースでは著名人やセレブのデジタル・ヒューマンを指す。 ニュージーランドの元ラグビー選手Sir John Kirwanは同氏のデジタルツイン「Digital John Kirwan(DJK)」を制作し、メンタルヘルスの治療で活躍している（下の写真）。 デジタルツインはスマホアプリ「Mentemia」で稼働し、DJKが患者と対話しながら、不眠症の治療方法を解説する。  出典: Uneeq デジタル・ヒューマン制作方法Uneeqはデジタル・ヒューマンを生成するためのクラウドサービスを提供している。 企業はブランドイメージに沿ったアバターを選び（下の写真、最上段）、それに会話ルールを設定するだけで、人間そっくりのAIアシスタントを生成できる。 また、感情を挿入するオプションがあり、デジタル・ヒューマンは設定された表情と音声で対話する。 完成したデジタル・ヒューマンは企業のウェブサイトやスマホアプリで稼働する（下の写真、下段）。  出典: Uneeq Deepfakeと倫理問題一方、デジタル・ヒューマンの制作は倫理的に難しい問題を含んでいる。 デジタル・ヒューマンはAIや機械学習の手法で生成されるが、本物と見分けのつかない精巧な偽物が出来上がる。 これはDeepfakeと呼ばれ、本人になりすまし消費者を欺き、偽情報を拡散するなど危険な技術でもある。 このため、EUはAI利用規約のプロポーザルを策定し、デジタル・ヒューマンの運用は透明性が必要としている。 つまり、チャットボットやアバターを使う際は、人間ではなくAIであることを明示することを義務付けている。  出典: Uneeq Synthetic Mediaの進展人間そっくりのアバターが顧客と対話する技術は既にビジネスで使われている。
IBMはデジタル・ヒューマンで銀行のコールセンター業務を代行するモデルを開発した。 しかし、このシステムは高度な技術と多大な費用を要し、デジタル・ヒューマンを事業で展開できる企業は限られていた。 AIの進化と共にSynthetic Mediaの開発が進み、誰でも簡単に高精度なデジタル・ヒューマンを生成できるようになった。 今年はデジタル・ヒューマンがウェブサイトやモバイルアプリで活躍する年になる。 特に、アインシュタインなど著名人が製品をプロモーションする利用法が増えると予想されている。 |
RSS フィード
|
GDEPソリューションズ株式会社
東京都文京区本郷三丁目34番3号 本郷第一ビル8階 TEL：03-5802-7050 ・NVIDIA認定 Elite Partner [最上位レベル]
・NVIDIA Advanced Technology Program 達成 [DGX 販売資格] ・東京都公安委員会 古物営業許可番号 第305471905562号 |
クラウド製品
≫ セキュリティ ≫ 仮想化 ≫ リモートアクセス ≫ ハイブリッドクラウドNAS ≫ クラウドストレージ GPUコラム ≫ GPUプログラミング入門 ≫ GPU Technology for CG/AI ≫ シリコンバレー発信 New Technology Repot ≫ ツブ子が聞く・見る・行く 導入事例 ≫ DGX SYSTEMS ≫ GPU Computing |
©2021 GDEP Solutions,Inc.