ドーシーの音声AI「Dessa」が人間すぎる　でもだれの声で学んだかは書いてない

Twitterを作ったジャック・ドーシー。その人がCEOをやっている決済会社Blockが、10月23日に音声AI「Dessa」を発表した。テキストを一度も読まず、人間の会話の録音だけで、ゼロから学んだという。

公開されたデモの音声には、相づちも笑い声も入っている。相手の言葉にかぶせて割り込んでもくる。Blockは自社のページで、人間の音声だけから学んだAIと本物のように会話できるのは世界で初めてだと書いた。ドーシー自身も、話していると人と話している感じがして、感情も含みも豊かだと書いた。

ただ、発表を読んでいくと、一つ分からないことが残る。その話し方は、だれの声から覚えたのか。

テキストを読まずに、音だけで覚えた

これまでのAI音声は、だいたい二段構えだった。聞いた言葉をいったん文字にして、意味を考えて、できた文字を読み上げる。Dessaは、その文字を通らない。音を聞いて、音で返す。

しかもフルデュプレックスに対応している。だから、ため息や皮肉、笑いをそのまま受け取って、そのまま返せる――と、Blockは説明する。

機械の規模も目を引く。学習に使ったのはGB200 NVL72が1台だけ。データセンターを丸ごと動かしたわけではない。できあがったモデルはリアルタイムより速く動き、MacBook Pro M4 Max以上なら手元のパソコンで動くという。

では、いつ使えるのか。まだ使えない。いまは順番待ちの登録を受け付けていて、少人数のAI安全研究者にだけ先に渡している段階だ。サンプルは英語だけで、日本語はもっと先になる。

ネットの評判

Xでは、まず驚きの声が並んだ。人工のものがここまで人間らしく聞こえたことはない、と書き込んだユーザーがいた。SFみたいだという反応も広がった。Binanceの創業者CZは、自分が関わる教育の企画に使えそうだと書いた。

一方で、心配の声も同じXから出ている。ジャーナリストのシブ・アルーアは、詐欺電話が一気に増えると書いた。映画製作者のジャスティン・ベイトマンは、AIの声がそこまで人間らしく聞こえる必要があるのかと疑問を投げかけた。聞いている側は、相手がAIだと気づけなくなる、というわけだ。

学習に使った声の出どころは、書かれていない

ここで、最初の問いに戻る。Blockのページには、学習に使った録音をどこから集めたのか、声の持ち主の許しを取ったのかが、書かれていない。TechCrunchやCoinDeskの報道も、そこには触れていない。技術報告書も論文も出ていない。AI専門メディアのimplicator.aiは、選んだ録音も学習データも安全性の主張も、外の人が確かめた形にはなっていないと書いた。

日本では、その8日前に動きがあった。10月15日、日本俳優連合が「音声に関する生成AI利用ガイドライン」を出した。中身はこうだ。学習、生成、公開・利用のどの段階でも、声の持ち主に目的を伝えて、先に許しを得ること。AIが作った声を使うのは新しい形の実演だから、それに見合うお金を払うこと。亡くなった人の声をAIで作るなら、遺族から厳しく許しを得ること。

なぜ、団体が自分たちでルールを書いたのか。日本俳優連合は、理由をはっきり書いている。いまの日本には、人の「声」そのものをまとめて守る法律の条文が、ない。