あなた自身の声で届きます。 音声認識、翻訳、そしてあなたの音声サンプルからのゼロショット音声合成を、すべての参加者に対して、双方向で行います。
完璧な分身ではなく、頼んでいないものは何も保存しません。 ライブ用のサンプルはセッション終了とともに消えます。Settings で任意に保存したサンプルは、Remove を押すまで残ります。リップシンクはロードマップ上にあり、まだ提供していません。
InterMIND は、ミーティング全体を各メンバーの言語のまま保ちます。 音声は23言語すべてに対応し、字幕とトランスクリプトも並行して表示されます。ゲストはリンクから無料で、アカウント不要で参加できます。料金はアクティブなメンバーの分だけです。

あなたの声で話す — あなたが話せない言語でも

リアルタイム翻訳には、ほとんどの人が見誤り、ほとんど誰も語らない部分があります。耳に届く声です。

優れた音声認識と優れた翻訳があっても、ミーティングが機械によるリスト読み上げのように感じられることがあります。最後のステップ、つまり翻訳されたテキストを音に戻す段階で、多くのツールが静かにあなたを、汎用の合成ナレーター1人に置き換えてしまうからです。部屋に8人いても、全員分が1つのロボットの声です。誰が話しているのか、強調、人柄が失われます。聞き取れはしても、会話にはなりません。

InterMIND は、この最後のステップが違います。あなたが話すと、ほかの参加者には、あなたの声質と話し方を備えたあなたとわかる声で、翻訳が相手の言語で聞こえます。まだ完璧な再現ではありません。大切なのは、ありもののナレーターではなくあなたであることで、しかも精度は向上し続けています。これはすべての参加者に対して、双方向で、同時に機能します。

この記事は、InterMINDを動かす4つの翻訳パイプラインの内側の欠けていた章にあたります。あの記事では、音声が翻訳された音声になるまでの流れを説明しました。この記事では、その出口から出てくるのが誰の声なのかを扱います。

誰もが採用している標準仕様と、それが平板な理由

大手のミーティングプラットフォームでライブ翻訳を使ったことがあれば、あの音をご存じでしょう。抑揚の少ない一定のペースの声が、翻訳を読み上げます。タウンホールを開く CEO が話していても、同僚が冗談を言っていても、同じ声です。裏にある技術は固定された1つの音声モデルによるテキスト読み上げで、聞き取れれば十分という設計思想に立っています。

実際のミーティングでは、それでは足りません。ミーティングで伝わることの半分は、誰が、どのように話しているかです。声を取り除けば、議論は、たまたま声に出して読まれているだけの文字起こしになります。人はお互いに反応するのをやめ、順番を待つようになります。

InterMIND の方法

翻訳はカスケード型パイプラインで動いています。1つのモデルにすべてを任せるのではなく、専門化された3つのステージを順に実行します。最初の2つはパイプラインの記事で説明しています。この記事で扱うのは音声合成のステップです。

ASR — 音声認識。 あなたの言葉は、話しているそばから、あなた自身の言語で文字起こしされます。処理は自社エンジン、つまり通話を運ぶメディアサーバー(Mind API、OVH フランス)上で行われるため、文が終わる前に翻訳を始められます。
MT — 翻訳。 文字起こしは、安定した文の断片である*節(クラウズ)*にまとめられます。そのため、文を言い終える前に翻訳を始められ、各断片は聞き手の言語へ段階的に翻訳されます。
ゼロショット TTS — 音声合成。 翻訳された各断片が、あなた自身の声のサンプルを使って読み上げられ、聞き手へストリーミングされます。

この効果を生むのが3番目のステージ、ASR → MT → ゼロショット TTS です。「ゼロショット」とは、あなたの声のために事前の録音登録や学習セッションを必要としないという意味です。すでに参加しているミーティングの音声から、あなたの声をモデル化します。

ウォームアップ:すぐにあなたらしい声になる仕組み

「自分の声のサンプルを使う」という言葉には、鶏と卵の問題が潜んでいます。通話の最初の時点では、あなたの声を十分にモデル化できるほど、システムはまだあなたの声を聞いていません。

InterMIND は、段階的なウォームアップでこれに対処します。

最初のおよそ5〜10秒間は、まだ十分な量の音声を集めている途中なので、翻訳された各断片は、あなたが元の言語でたった今話した内容に対応する音声の断片を使って合成されます。声づくりは、あなた自身の直前の生の発話に基づいています。
十分な長さのサンプルが集まると、つまり5〜10秒の時点で、システムはそれに固定し、以降のすべてをそれで声にします。

実際には、切り替わる瞬間は聞こえません。会話が進むにつれて、翻訳があなたらしく聞こえてきます。声の完全な再現ではありませんが、機械ではなく確かにあなたの声で、モデルがより多く聞くほど良くなります。段階的な翻訳(文単位ではなく節単位)と段階的な音声づくりの組み合わせによって、人間らしい響きを保ちながら、全体を遅延の許容範囲内に収めています。

声を一度録音して、ウォームアップを省く

上記のウォームアップは、何も設定しなくても既定で行われる動作です。2026年9月以降、サインイン済みのユーザー向けに、任意の2つ目の方法があります。Settings → Your voice in translation にある保存した音声サンプルです。

録音は1回の操作で済みます。Record my voice を押し、Speak now が表示されるのを待って、1から10までの数字を好きな順番で言ってください。音声エンジンが聞き取るたびに、カード上で各数字が点灯します。10個すべてが点灯すると、サンプルは確認され、自動的に保存されます。再生して確認する操作もカウントダウンもありません。カードは、数字が含まれているテイクの部分を保持します。静かな部屋とヘッドセットがあると、最良の結果になります。

保存したサンプルによって変わる点は次のとおりです。次回のミーティングから、シンセサイザーはそのサンプルを使って、最初の断片からあなたの翻訳を声にします。そのため相手には、ウォームアップを待たずに最初の文からあなたの声で聞こえます。内部では同じゼロショット合成で、開始点が良くなっただけです。通話が進むにつれて、ライブのウォームアップが引き続き声を磨きます。

テイクは保存される前に検査されます。3〜10秒のはっきりした音声(シンセサイザーの入力ウィンドウ)であることが必要です。音が小さすぎる、音割れしている、ほとんど無音、背景ノイズに埋もれているといった場合は、カードが直すべき点を伝え、撮り直しを求めます。フレーズに数字を選んだのは実用的な理由からです。短く、23言語のどれでも認識しやすく、エンジンが10個すべてを聞き取れたことを確認できるため、「録音はうまくいったか?」が目に見える「はい」になります。

2種類の音声サンプル、2つの寿命

セキュリティ担当や法務チームがすぐに尋ねる部分なので、率直にご説明します。サンプルは2種類あり、扱いが異なります。

ミーティング中のウォームアップに使われるライブ用サンプルは、一時的なものです。ライブのカンファレンスセッションの間だけ、翻訳を声にするために存在し、どこにも保存されません。リアルタイムセッションを支える Mind API と SDK はデータを保持せず、一時的なものはすべてカンファレンスセッションの終了とともに消えます。

Settings の保存したサンプルは、1つの目的のためにあなたのアカウントに保存されます。ミーティングに参加するたびに翻訳エンジンへ送られ、あなたの翻訳音声をそのサンプルで声にするために使われ、それ以外には使われません。カード上の Remove を押すまで残り、押すとすぐに標準のウォームアップに戻ります。アカウントを削除すると、サンプルも一緒に削除されます。ゲストは録音できません。サインイン済みユーザー向けの機能として設計されています。

どちらのサンプルも何ではないのかを、正確に押さえておく価値があります。どちらも InterMIND の録画機能ではありません。ミーティングの映像と音声を録画することは、専用の操作を伴う、意図して行う別の行為です。音声サンプルは音声シンセサイザーへの入力であり、ライブの場合は一時的なもの、保存した場合は保持も削除もあなた次第です。

ほかが提供していない理由

声のクローン自体は秘密ではありません。違いは、ライブで、参加者ごとに、双方向で、会話のペースで、23言語にわたって、頼まれていないものは何も保存せずに行うことが、ポッドキャスト向けにオフラインで声をクローンするのとは別の問題だという点にあります。

大手プラットフォームは、翻訳を字幕の網羅性と、無難な単一のナレーター音声に最適化しています。それが大規模運用では安価で堅牢な既定だからです。話者それぞれの声を保つには、合成ステージがすべての参加者を個別に追跡し、パイプラインの他の部分と同じ遅延の許容範囲内に収まる必要があります。私たちは音声エンジンを自社で、自社のインフラ上に構築しました。だからこそ、このトレードオフを決められるのは私たち自身です。(エンジンが自社のコードである理由については、InterMIND のミーティング1回は何でできているかをご覧ください。)

今後の方向:リップシンク

あなたの声を保つことは、より大きな目標の半分です。もう半分は顔です。

現在は、相手の声が相手自身の声で聞こえますが、カメラがオンなら、唇は実際に話した言葉に合わせて動いたままです。それはあなたが読めない言語です。次のステップはリップシンクで、話者の口の動きを翻訳された音声に合わせて再調整し、画面上では相手があなたの言語を話しているように見せます。

この2つを合わせると、この取り組みの目的がはっきりします。共通の言語を持たない2人がビデオ通話で向かい合い、互いに相手の言語のネイティブスピーカーであるかのように見え、聞こえます。同じ声、同じ顔で、間に通訳はおらず、台本を読むロボットもいません。

現状を明確にしておくと、音声は今日から利用できます。リップシンクはロードマップ上にあり、まだ提供していません。 目指す先をお伝えするのは、それが音声の取り組みが重要である理由だからです。自分の声での翻訳は機能そのものではなく、「誰とでも、どの言語でも、自分のままで話す」ことの前半です。

聞ける場所

自分の声での翻訳は今日から、23の音声言語すべてで利用できます。ドキュメントに記載されているのと同じ言語です。別途オンにする設定はありません。ミーティングで翻訳が有効になっていれば、参加者は自動的にお互いの声で聞こえます。現状については正直にお伝えします。今日の声はすでにあなただとわかるもので、その似具合は、さらに近づけるよう私たちが積極的に取り組んでいる部分です。ぜひ聞いて、ご自身で判断してください。