【音声AIの天井は無限】Hugging Face 3位になった会話データで、音声AIの進化を加速させるOtoのグローバルでの戦い方

AI,Tech,Startupに特化したビルダーのための生配信ニュースショー「WBN」毎朝のリサーチシートをニュースレター形式で受け取るならこちら→ https://wbn.live/

音声AIは流暢に話せるようになりましたが、人との会話はまだぎこちない。consomeさんが言うには、足りないのは話者ごとに別々に録音され、相づち・割り込み・発話の重なりがそのまま残った「フルデュプレックス(全二重)」の会話データです。

ゲスト・consomeさん(oto 共同創業者)

▼ 主要ソース(一次情報)

otoは自費で集めた280時間の雑談データをCC BY 4.0で公開し、Hugging Faceのデータセットトレンドで3位に入り、Sesameとの共同研究やカーネギーメロン大学、NVIDIAの研究者による論文に使われました。

10年いたクリプトを離れた理由から、会話を売れるデータにするまでの道筋、Scale AIのような先行企業とどう戦うかまで聞いています。

▼ 目次

クリプト10年から音声AIのデータへ

出発点は「仮想通貨を使いたい」。7000言語の壁

ふとした一言から、音声データの穴に気づく

フルデュプレックスとは。話者ごとに分かれた音声

カーネギーメロンの教授にXでDM。課題は本物だった

自費で集めて、誰でも使える形で無料公開

otoSpeechの中身。280時間、141時間、104時間

Sesame、カーネギーメロン、NVIDIAの研究で使われた

Hugging Faceでデータセットのトレンド3位

安く集めて共同研究。実績をつくってから販売する

契約につながった3段階のレバレッジ

音声AIの天井は「無限」。まだできていないこと

価値が高いのはUIより「タスクをこなす」データ

Scale AIやMercorとの差分。勝ち筋はオペレーション

逆説。一人一台データセンターを持つ時代が来る

▼ 出演

金城(Kinjo) X: https://x.com/illshin

Yuki Torii(Cohost) X: https://x.com/ToriiYuki

WBNは平日毎日12:00から、AI・テック・スタートアップのニュースをライブでお届けしています。

感想