音声AI「MARS7」、Google Cloud Vertex AIのVPCで利用可能に

CAMB.AIでは、あまりに自然で感情的にもリアルなため、聴衆が機械の声を聞いていることを忘れてしまうほどの音声AIを構築しています。私たちの主力モデルであるMARS7は、ライブスポーツやグローバルメディアから、顧客対応やミッションクリティカルなコミュニケーションに至るまで、世界で最も要求の厳しい環境向けに構築された多言語テキスト読み上げ(TTS)システムです。150を超える言語のサポート、音声クローニング、きめ細かな感情制御を備えたMARS7は、「AIの声」が真に意味するものについて新たな基準を打ち立てています。

つい数週間前、MARS7は歴史的なNASCAR Xfinity Seriesの放送を支え、数百万人のレースファンにリアルタイムの多言語実況を届けました。英語は人間の解説者が、スペイン語は完全にAIが、ライブかつ同期して担いました。本日、私たちは同じモデルが、10の言語とロケールを皮切りに、Google Cloud Vertex AI Model Gardenを通じてお客様の環境で直接実行できるようになったことを誇りを持って発表します。

企業がMARS7を信頼する理由

MARS7は、失敗が許されない場面で信頼される放送品質の音声AIです。その堅牢性と表現力豊かな性能にもかかわらず、驚くほど軽量です。人間のようなプロソディと幅を捉えるために設計された、約8,000万パラメータのMegabyteエンコーダー・デコーダーアーキテクチャです。その結果、感情的につながる声、本物のアクセントとロケールを備えたグローバルな多言語対応、そして音声クローニングときめ細かな感情調整による柔軟性が実現します。

「エンタープライズのお客様は、自社の環境に展開できる放送品質の音声AIを求めていました。Vertex AI上のMARS7は、まさにそれを提供します。世界最大級のスポーツ・メディアブランドを支えるのと同じ技術が、今やお客様のVPC内で完全に動作します」と、CAMB.AIの共同創業者兼CTOであるAkshat Prakash氏は述べています。

すべてを変える速度

音声AIにおいて、速度は品質と同じくらい重要です。その鍵となる指標がTime to First Byte(TTFB)、すなわちテキストを送信してから最初の音が返ってくるまでの遅延です。ほとんどのプロバイダーはモデルの処理時間しか公表しませんが、リクエストの往復、共有GPUプールでのキュー待ち、音声の返送がそれぞれ数百ミリ秒を加算するため、公称150ミリ秒のTTFBが実際には800ミリ秒〜2秒に感じられることがしばしばあります。Vertex AI上のMARS7は、Google Cloudの40を超えるリージョンでユーザーの近くに、キューのない専用GPU上に展開することで、こうした隠れた遅延を排除します。A100、H100、L4、L40Sなどから選択できます。

ようやく理にかなった価格モデル

従来のTTSの価格設定は、トークン、文字数、またはクレジットに基づいており、利用量に応じて直線的に増加する予測不能な請求となります。Vertex AI上のMARS7では、その経済性が逆転します。あらゆるワークロードをプロビジョニングするのと同じようにGPUをプロビジョニングし、CAMB.AIは1時間あたりのGPU消費量の固定割合を課金します。容量は事前に割り当てられるため、生成する文字数にかかわらず支出はほぼ一定です。無制限の推論、予測可能な予算、そしてペナルティのないスケーリングを実現します。

あなたの環境、あなたの管理下で

VPC展開により、MARS7はお客様自身のクラウド環境内で完全に動作します。完全なデータ主権(テキストがVPCの外に出ることはありません)、専用GPUリソースによるシングルテナントのセキュリティ、そして既存のフレームワーク(HIPAA、GDPR、FedRAMP)のもとでのコンプライアンス整合性を備えた、妥協のないエンタープライズ級の音声AIです。