生成AI: 用語と定義

概要:

• 生成AIとその分野の紹介
• 一般的な生成AI用語
• オーディオ特化の生成AI用語
• ビデオ特化の生成AI用語
• その他の特定の応用
• よくある質問 (FAQ)

生成AIの紹介

最近、生成AIについて多くの人が話題にしています。ChatGPT、Stable Diffusion、Midjourneyのような大規模な言語モデルやテキストから画像へのモデルが技術界で大きな話題を呼んでいます。これらはAIの最近の重要な進展の一つとされています。賛否はあるかもしれませんが、非常に強力なものが登場したというのが一般的な意見のようです。

広義には、生成AIとはテキスト、画像、音楽、声など新しいコンテンツを作成できる機械学習モデルのクラスを指します。この「生成」プロセスは、既存のデータから学習し、その理解を基に新しいコンテンツを生成することを含みます。これらのモデルが生成できるコンテンツの種類は、訓練されたコンテンツに依存します。

このAI能力の爆発的な進化の基盤は、「ディープラーニング」が普及し、膨大なデータセットと強力なコンピュータがニューラルネットワークを駆使して、画像認識、音声処理、ゲームプレイの能力を劇的に向上させたときに築かれました。2010年代後半には、コンピュータはこれらのタスクを人間よりも上手にこなせるようになりました。

ElevenLabsでは主にオーディオに焦点を当てていますが、生成AIはさまざまな分野で大きな進歩を遂げています:

• テキスト: 例としてはChat-GPT、Bardがあります。
• 画像: 注目すべき技術にはStable Diffusion、Midjourney、DALL-Eがあります。
• 音声: ElevenLabs

• 音楽: MusicLMが注目を集めており、ElevenLabsもまもなく参入予定です。
• ビデオ: Gen1が注目されています。
• コード: Codexは生成コードAIのリーダーです。
• 化学: AlphaFoldは分子構造の世界で革命的な変化をもたらしています。

一般的なAI用語

• 人工知能 (AI): 機械が人間の知能を模倣し、視覚認識や意思決定など通常は人間の知能を必要とするタスクを実行できるようにすること。
• AI as a service (AIaaS): クラウドコンピューティングを通じてAIサービスを提供し、個人や企業がインフラコストなしでAIツールを利用できるようにすること。
• AIバイアス: データ、トレーニング、アルゴリズムのバイアスにより、AIの出力に望ましくない、しばしば有害なバイアスが生じること。
• AIガバナンス: AIシステムが定義された倫理的および技術的な枠内で動作することを保証するための枠組み。
• データプライバシー: AIシステムと共有された個人データが機密性を保ち、不正使用されないようにすること。
• ディープラーニング: 複数の層を持つニューラルネットワークを使用してデータのさまざまな要素を分析する機械学習の一部。
• エンタープライズAI: ビジネスオペレーションのために特別に設計および実装されたAIツールとアプリケーション。
• 説明可能性/解釈可能性: 機械の行動や決定が人間に理解される程度。
• ファインチューニング: 事前に訓練されたモデルを小規模で特定のデータセットで洗練するプロセス。
• モデル: 機械学習において、データに基づいて実行された機械学習アルゴリズムの出力。
• 機械学習 (ML): アルゴリズムがコンピュータにデータから学習し、行動することを可能にするAIの方法。
• ニューラルネットワーク: データセットのパターンを認識しようとするアルゴリズムのシステム。
• 教師あり学習: ラベル付きデータでモデルを訓練する機械学習の一種。
• トレーニング: 機械学習アルゴリズムがデータから学習するプロセス
• 教師なし学習: ラベルのないデータセットでパターンを探す機械学習。
• ロバスト性: AIシステムが敵対的または変化する条件下でも正確に機能し続ける能力。
• トークン: テキスト処理において、ソフトウェアが単一のエンティティとして扱う文字列。

生成オーディオAI用語

• 音声合成: 人間の音声を人工的に生成することを指します。通常、コンピュータアルゴリズムを使用して達成され、音声アシスタントやスクリーンリーダーなどのさまざまなアプリケーションで使用されます。音声合成はしばしばText to Speech、ボイスジェネレーション、テキストリーダーなどの同義語として使用されます。
• インスタントボイスクローン: ElevenLabsが提供する高度な機能で、小さなサンプルに基づいて声を迅速に複製できます。このボイスクローンは、音声合成技術を使用して新しい音声を生成するために使用できます。
• プロフェッショナル ボイスクローン (PVC): ElevenLabsが開発したPVCは、インスタントボイスクローンを超えて、個人の声の詳細で完璧なデジタルレプリカを作成します。これには、ファインチューニングと呼ばれるプロセスが含まれ、最高の忠実度を達成するためにより包括的な声のサンプルとトレーニングが必要です。

• Voice Design: ElevenLabsが開発した音声作成機能 - ボイスデザインは、年齢、性別、アクセントなどのユーザーが選択したパラメータに基づいて新しい合成音声を生成します。これらの声は、ランダムに声の特性をサンプリングする複雑なアルゴリズムを使用して生成され、実際の人物の声を複製しません。この方法で作成された声は、Eleven Multilingual v1 & v2音声合成モデルがサポートする言語間で音声特性が一貫しています。
• VoiceLab: ElevenLabsの独自プラットフォームで、特にボイスクローンやボイスデザインの分野で音声モデルの作成と操作を容易にします。
• Voice Library: ElevenLabsの取り組みであるボイスライブラリーは、ユーザーが膨大な声のコレクションを共有、発見、協力できるプラットフォームです。共有された声が他のユーザーによって使用されると、ユーザーは報酬を得ることができます。

• Eleven Multilingual v1: ElevenLabsの多言語モデルの初期バージョンで、ユーザーは単一の音声モデルを使用して8つの言語で音声を生成できます - 英語、ポーランド語、ドイツ語、スペイン語、フランス語、イタリア語、ヒンディー語、ポルトガル語。
• Eleven Multilingual v2: ElevenLabsの多言語提供の高度なバージョンで、v1モデルでサポートされている機能と言語を拡張し、中国語、韓国語、オランダ語、トルコ語、スウェーデン語、インドネシア語、フィリピン語、日本語、ウクライナ語、ギリシャ語、チェコ語、フィンランド語、ルーマニア語、デンマーク語、ブルガリア語、マレー語、スロバキア語、クロアチア語、古典アラビア語、タミル語を追加しました。

• スピーカー埋め込み: 特定の声の特性をエンコードするために使用されるメカニズム。スピーカー埋め込みは、声モデルのアイデンティティキャリアとして機能します。生成された音声が声の独自の属性を維持することを保証するために、話者のユニークな声の特性をベクトル表現で提供します。

生成テキストAI用語

• チャットボット: 人間の会話をシミュレートするように設計されたコンピュータプログラム。
• 生成事前学習トランスフォーマー (GPT): 自然言語処理で使用される言語モデルの一種。
• 幻覚: モデルがトレーニングデータに存在しない情報を生成すること。
• 言語モデル (LMs): 文中の次の単語を予測できるモデル。
• 大規模言語モデル (LLMs): 人間のようなテキストを理解し生成する高度で大規模なLMs。
• 自然言語処理 (NLP): 機械が人間の言語を理解し応答するのを助けるAIの分野。
• 感情分析: 自然言語処理を使用して、テキストに込められた感情やムードを判断すること。
• トランスフォーマーモデル: 主にNLPタスクで使用されるディープラーニングモデルの一種。
• 自己注意: トランスフォーマーモデルで、入力データの異なる部分に焦点を当てることを可能にするメカニズム。

その他のAI用語

• 自動機械学習 (AutoML): 機械学習のプロセスをエンドツーエンドで自動化するプロセス。
• データ拡張: 元のトレーニングセットの情報のみを使用してトレーニングデータの量を増やす技術。
• エッジAI: ハードウェアデバイス上でローカルに処理されるAIアルゴリズム。
• 強化学習: エージェントが環境と相互作用することで学習する機械学習の一種。
• トランスフォーマー: 特にNLPで知られる自己注意メカニズムを持つモデルアーキテクチャ。

テキスト読み上げ

高品質なナレーション、ゲーム、ビデオ、アクセシビリティのために構築されたテキスト読み上げ(TTS)システムで、人間らしい声を作成。表現力豊かな声、多言語対応、API統合により、個人プロジェクトから企業のワークフローまで簡単に拡張可能。

結論

世界が急速に進化する中、人工知能の風景も同様に進化しています。生成AIは、この新しい技術の波の中で重要な役割を果たし、情報の作成、コミュニケーション、消費の方法を変革する大きな可能性を秘めています。音声合成やボイスデザインの複雑さから、大規模言語モデルやトランスフォーマーの複雑さまで、生成AIは産業を再構築し、限界を再定義しています。

ElevenLabsでは、特にオーディオAIの分野でこの技術的な波の最前線に立っていることを誇りに思っています。私たちの提供する製品群は、プロフェッショナル ボイスクローンから広範なEleven Multilingualモデルまで、生成AIの力を実用的で画期的な応用に活用することを目指しています。

始める準備はできましたか？今すぐ登録してElevenLabsを体験してください。

テキスト読み上げ

高品質なナレーション、ゲーム、ビデオ、アクセシビリティのために構築されたテキスト読み上げ(TTS)システムで、人間らしい声を作成。表現力豊かな声、多言語対応、API統合により、個人プロジェクトから企業のワークフローまで簡単に拡張可能。

FAQ