課題：

Humeは、開発者や企業向けに最もリアルなボイスAIモデルを構築することを専門としています。これらのモデルはLLM（大規模言語モデル）に基づいており、言語だけでなく人の声も同時に理解することができます。Humeの使命は、AIに共感力を持たせ、人間の幸福と調和する形でAIを進化させることです。

そのために開発されている音声LLMは、話された言葉の「意味」と「トーン」の両方を理解する能力を備えています。これにより、音声チャットボット、カスタマーサービスなど、幅広い応用が可能となります。

彼らは最近、テキスト読み上げ（Octave 2）と音声から音声への変換（EVI 4）のための最高品質の日本語音声LLMを発表しました。品質の多くは、モデルが言語を理解し、入力に応じて声のトーンを自然に調整する能力に由来します。これにより、より自然な日本語の会話が可能になり、ユーザーの認識を改善することができます。

今日のほとんどの音声システムは、テキスト読み上げ、音声認識、文字起こし、その他のモデルを別々に持ち、それらをつなげています。なぜなら、それぞれのタスクに特化していた方が優れていたからです。しかし、音声言語モデルの最新の進歩により、もはやその必要はなくなりました。さらに、これらの各ステップはプロセスに遅延を追加します。会話における人間の遅延は200ミリ秒であり、1秒を超えると人間らしく聞こえなくなります。Hume AIとSambaNovaは協力して、可能な限り最低の遅延で最高のパフォーマンスを提供するソリューションを開発しました。

ソリューション:

HumeとSambaNovaは協力して、Humeの音声言語モデルをSambaCloud上に展開しました。これにより、世界最高の音声から音声への変換モデルおよびテキストから音声への変換モデルを、品質を損なうことなく会話レベルのレイテンシで動作させることが可能になりました。Hume AIとSambaNovaは共同で、企業に対して100ミリ秒から300ミリ秒の応答時間で動作するテキスト読み上げおよび音声変換のAPIを提供し、ハイパーリアリスティックな品質と人間に近い会話レイテンシを両立させています。

多くの企業にとって、プライベート環境での展開は不可欠です。HumeとSambaNovaは、このニーズに応えるため、Humeのテキスト読み上げおよび音声変換モデルをプライベートデプロイメントを通じて提供しています。