人工知能技術の急速な発展に伴い、音声生成分野には重鎮としての存在が登場しました。テンセントAIラボが開発したAudioGenieです。この革新的なマルチモーダル音声生成ツールは、自然で的確な生成結果、強力な文脈理解能力、そしてトレーニング不要という特徴により、世界中のAI音声市場を再構築しています。

マルチモーダル入力、多様な音声出力  

AudioGenieは動画、テキスト、画像などのさまざまなモーダル入力をサポートし、サウンドエフェクト、音声、音楽、および混合音声出力を生成できます。映画作品のために没入感のある背景音楽を生成したり、仮想キャラクターに声をあてたり、ゲームシーンにリアルな環境音を追加したりする場合でも、AudioGenieは簡単にこなします。その生成結果は自然で滑らかであり、入力内容の文脈に高度に適合しており、優れた意味理解能力を示しています。実験によると、Videoから複数の音声を生成するタスクや、テキストから複数の音声を生成するタスクにおいて、AudioGenieは業界のリーダーを上回る成果を収めています。

image.png

トレーニング不要、自己修正機能による技術革新  

従来の音声生成モデルとは異なり、AudioGenieは大量のトレーニングデータを必要としません。代わりに、独自のトレーニングなしマルチエージェントフレームワークを採用し、二層構造（生成チームと監督チーム）を通じて効率的な協調作業を行います。生成チームは細粒度のタスク分解と自适应専門家混合(MoE)メカニズムによって、最も適切なモデルを選択して音声生成を行い、出力品質を確保します。一方、監督チームは時空間の一貫性の検証を行い、フィードバックループを通じて自己修正を行うことで、生成された音声が非常に信頼できるものになります。この設計により、大規模なペアデータセットへの依存が完全に排除され、開発コストが大幅に削減され、生成効率が向上しています。

MA-Benchベンチマークテスト、業界新基準を樹立  

マルチモーダル音声生成能力を全面的に評価するために、テンセントAIラボはMA-Benchを開発しました。これは、マルチモーダルからマルチオーディオ生成（MM2MA）タスク向けの世界初のベンチマークテストセットであり、198の音声注釈付き動画を含んでいます。テスト結果によると、AudioGenieは9つの指標と8つのタスクで最前線水準(SOTA)に達成または近づいており、特に音質、正確性、コンテンツの整合性、芸術的体験の面で突出しています。ユーザー調査では、実際の応用における優位性がさらに確認されており、ゲーム開発、映画制作、バーチャルリアリティなど様々なシナリオで強力な支援を提供しています。

市場への衝撃：ClaudeとGeminiの支配的地位に挑戦  

AudioGenieのリリースは、ユーザーに効率的で使いやすい音声生成体験をもたらすだけでなく、既存の市場構造にも挑戦をもたらしています。最近のデータによると、Qwen3、Kimi-K2、GLM-4.5などの国内AIモデルがグローバル市場で急速に台頭している中、AudioGenieの登場により中国のAI企業の競争力がさらに強化されています。OpenRouterのデータによると、Qwen3の使用量は15.4％増加し、ClaudeとGeminiはそれぞれ18.9％と6.8％減少しています。AudioGenieはそのマルチモーダル機能と高コストパフォーマンスにより、国際的な巨頭の市場シェアをさらに圧縮することが期待されています。

未来展望：音声創作の新時代を開く  

AudioGenieのリリースは、AI音声生成技術の新たな高みを示しています。マルチモーダル入力、トレーニング不要、自己修正の特性により、クリエイターにとって以前にない柔軟性と効率を提供しています。業界関係者の予測によると、AudioGenieはメディア制作、ゲーム開発、アクセシビリティツールなどの分野で広範な応用をもたらし、中国のAI技術が世界的な舞台で輝きを放つことを支援するでしょう。AIbaseはAudioGenieの最新動向を継続的に追跡し、皆様にお届けいたします。

まとめ  

テンセントのAudioGenieは、強力なマルチモーダル音声生成能力と革新的なトレーニング不要フレームワークにより、AI音声生成の基準を再定義しています。国際的な巨頭との競争に対し、AudioGenieは中国のAI技術の実力を示しています。AIbaseはこの分野の最新進展を引き続き追跡し、AIがどのように創作の未来を変えるかをお伝えしていきます。

プロジェクトのアドレス：https://audiogenie.github.io/