AI駆動でテキストを美しい合成音声として出力するAflorithmicが約1.4億円調達

今回は「AI駆動でテキストを美しい合成音声として出力するAflorithmicが約1.4億円調達」についてご紹介します。

関連ワード （Aflorithmicｍ、合成音声、資金調達等） についても参考にしながら、ぜひ本記事について議論していってくださいね。

本記事は、TechCrunch様で掲載されている内容を参考にしておりますので、より詳しく内容を知りたい方は、ページ下の元記事リンクより参照ください。

ロンドンとバルセロナを拠点とするAudio-as-a-Service SaaSスタートアップAflorithmic（アフロリズミック）が、シードラウンドでCrowd Media Holdings（インフルエンサーベースの「ソーシャルコマース」とマーケティングに注力したオーストラリア拠点の企業）から130万ドル（約1億3605万円）の資金を調達した。

プレスリリースによると、クラウドメディアホールディングスはAflorithmicの10%の株式を取得することになり、この戦略的投資の目的は「クラス最高の音声クローン技術」によって有名人とFaceTimeで会話できるようにすることだという。

Aflorithmic（アフロリズミック）という社名は発音しにくいかもしれないが、この創業2年のスタートアップが提供するのは会話と音声そのものだ。同社はAI駆動型の合成メディア、「エシカル（倫理的）な」音声クローニング、オーディオマスタリングを使用して、完全に自動化されたスケーラブルな音声制作プラットフォームを構築した。開発者はAflorithmicのAPIを使用して、ウェブサイト、モバイルアプリ、スマートスピーカーなどのチャネルを介してユーザーに音声を届けることができる。

「テキストを美しい音声として出力」というのがAflorithmicの謳い文句だ。同社は今回のシードラウンド以前に、88万7000ドル（約9275万円）以上の外部資本を調達した。具体的には、創業後10カ月間を自己資金で運営した後、プレシード / FFF / エンジェルの各ラウンドで上限を超過する応募申し込みがあった。

Aflorithmicのウェブサイト上サンプルクリップでは、合成音声（ロボット音声）のボイスオーバーがお客様にあいさつした後、設定済みコンテンツの詳細を説明するパーソナライゼーション要素が紹介されている。

Aflorithmicの現顧客（概念実証 / パイロット版）は同社のツールを使用して、子ども向けオーディオブック、健康 / 栄養プログラムのパーソナライズされたナレーション、ホテルの宿泊客用コンシェルジュサービスなどを作成している。同社ビジネスの前提に、スタジオ製作での肉声によるボイスオーバーでは、音声コンテンツに対する現在の多様なニーズに到底対応できないという考え方がある。

そこで、その需給ギャップを埋めるために合成メディアが必要になるというわけだ。合成メディアを使えば、ブランドや企業の特定の顧客向けにパーソナライズされた多種多様な音声トラックを提供できる。現時点ではEdTech、MarTech、ヘルス / フィットネスといった業界を中心として、初期のベータ顧客向けに10ほどのプロジェクトが進行している。

同時に、ポッドキャストや生音声のストリーミングの人気も衰えを知らず、動画偏重時代でも音声が生き残れることを示している。

関連記事：イーロン・マスク氏がClubhouseに登場、ファンがYouTubeへライブストリーム、途中からRobinhood CEOへのインタビューに

Aflorithmicの新しい投資家であるクラウドメディアホールディングスは、Aflorithmicのツールで実現できることについてかなり野心的なアイデアを持っており、それは「消費者によるeコマースの利用形態を根本から変える」ものになるという。

同社がAflorithmic（AFLR）に対する投資を決断したのは、合成音声を動画と組み合わせて、お気に入りの有名人とのビデオチャットを再現し、ファンが体験できるようにするという計画があったからだ。

Aflorithmicに出資してこのプロジェクトで提携することにより、この計画にともなうリスクを軽減することができるという。

「AFLRの音声技術を利用すると、有名人のアクセント、トーン、癖などを再現できるので、まるでその有名人が電話の向こうにいるような感覚を味わうことができる」とクラウドメディアは説明する。この未来のクローン有名人が優しくささやく「実際のコンテンツ」は、同社のAI駆動型チャットボットテクノロジーによって実現されるという。このチャットボットは、ユーザーが投稿した1億8000万件を超える質問に対する回答（テキストのみのメディア）から構築されたナレッジベースに基づいて動作する。

こうしたテキストを、聞き手を癒やす合成音声に変えてくれるのがAflorithmicのテクノロジーだ。クローン有名人の動画では3D画像が使用されることになるが、そのためのテクノロジーは合成メディア企業3社（英国拠点のForever Holdings、デジタルヒューマン製作企業のZoe01とUneeq）によって提供される。

クラウドメディアは、Aflorithmicのテクノロジーをより広範囲に活用し、AI駆動型のチャットボット（CM8）といった同社のその他ソーシャルコマースアプリに統合していくという。これは、マーケティング、教育、ヘルスケアなど、業界を越えたカスタマーサービスでの利用を狙ったものだ。

一方、Aflorithmicは今回調達した資金をAPI音声制作エンジンの研究開発、音声クローニング、人材獲得に使用する計画だという。

同社は、APIベースのAudio-as-a-Serviceを幅広い顧客に提供している。その使用事例には、高度にパーソナライズされたニュースレターとポッドキャストやマーケティングアプリケーション用の音声クローニングなどがある。

また、膨大な音声ライブラリーが用意されていて顧客がロボットスピーカーを選択できるのも同社の売りだ。それだけでなく、ユーザーは自身の音声スニペットを録音しておき、音声クローニングAIを使用して、パーソナライズされた音声コンテンツを制作できる。

ユーザーは、音楽や複雑なオーディオエンジニアリングを含む、プロレベルのコンテンツを制作し、最終製品をウェブサイト、モバイルアプリ、スマートスピーカーといったあらゆるデバイスやプラットフォームに配信できる。製作経験は一切不要だという。

Aflorithmicの共同創業者でCEOのTimo Kunz（ティモ・クンツ）氏は次のように語った。「会社を大量消費市場に進出させる上でクラウドメディアの経験から学べることを楽しみにしている。また、ソーシャルコマースの未来をかたち作る同社の試みに参加することができてうれしく思う。音声制作は今後、自動化されたスケーラブルでダイナミックな体験へと変わっていくと確信している。当社はまさにそれを先導している」。

「合成音声の制作には、ほぼ無限と思える可能性がある。マーケティングアプリケーションだけをとってみてもその可能性は驚くほどだ」と同氏はつけ加えた。「Kim Kardashian（キム・カーダシアン）が2億人もいる彼女のフォロワーのパーソナルショッパーになり、Pirelli（ピレリ）のP Zero ROSSOの新しいタイヤが必要な理由をLewis Hamilton（ルイス・ハミルトン）が個人的に説明してくれる、そんな未来を想像してみてほしい。当社のテクノロジーを使えばそうした未来がまもなく現実となる」。

また、ビジネスモデルに関して同氏は次のように語った。「当社は、TwilioやMessagebirdと同じようなSaaSを使用している。基本は使用量、つまり再生された音声トラック数に応じた月額サブスクリプションだ。ただし、無料の試用期間も用意している。研究開発の側面が多い大規模なコラボレーションの場合は、カスタム価格の交渉にも応じる」。

Aflorithmicの他の2人の共同創業者はPeadar Coyle（ピーダー・コイル）氏とBjörn Ühss（ビョルン・アス）氏である。

Aflorithmicが音声クローニングを形容するのに使っている「エシカルな」という言葉は、合成メディア制作を支援する商用ツールの開発に取り組んでいるすべての企業にとって避けて通れない課題を示している。

有名人のクローンはおもしろそうだが、個人の音声クローニングは、フィッシング詐欺、個人情報の盗難、感情操作、脅迫など、悪用または乱用される可能性が非常に高い。著作権も考慮する必要がある。

Aflorithmicのウェブサイトにある倫理セクションには、パーソナライズされた音声をスケーラブルにすることにともなうリスクを認める記述がある。そこには「優れたイノベーションには大きな責任がともなう」と書かれており、「当社は、英国とEUの『Ethics Guidelines for Trustworthy Artificial Intelligence（信頼できるAI開発のための倫理ガイドライン）』に従って、エシカルかつ公正で、透明性の高いAIを提供することに全力で取り組んでいる。当社のコンテンツ、音声モデル、およびアルゴリズムのトレーニングは、規制に完全に準拠し、個々のデータ所有者の承認を得たものである」とある。

音声クローン技術の悪用を防ぐ方法について、クンツ氏は次のように語った。「これは大きな問題だ。当社は合成音声の使用に関する倫理的側面について早い段階から考えると同時に、セキュリティについても非常に真剣に検討している。セキュリティは潜在的顧客との早期の話し合いにおいて重要な鍵を握っている。当社は音声データを機密性の高い個人情報と見なし、そうした情報と同様に慎重に扱っている。当社のテクノロジーで音声をクローニングするすべてのお客様は、音声提供者の同意があることを書面で当社に提出する必要があり、当社は特に初期段階において、その音声の使われ方を詳細に確認する」。

「また、当社のAPIインフラストラクチャは、当社のチームによってオンボーディングおよび精査された有料ユーザーのみにアクセスを許可するよう安全に設計されている」。

「当社は最近のディープフェイクの流行には乗らないよう意識的に注意を払っている。ディープフェイクは否定的な響きがあるだけでなく、当社のテクノロジーの有意義な使い方ではない」と同氏はつけ加えた。

Aflorithmicは競合他社としてDescript（ディスクリプト）を挙げる。ディスクリプトは2021年1月に3000万ドル（約31億3900万円）を調達し、別の音声クローニングスタートアップであるLyrebird（ライアーバード）を2019年に買収した。Descriptのツールは動画と音声の両方に対応しているのに対し、Aflorithmicは音声制作プロセス全体の自動化に重点を置いている。

「Descriptはどちらかというと制作者向けツールという位置づけだ。すばらしいツールであり、優れた機能を備えている。しかし、テキストから音声への変換、音楽と音声の編集、後工程に至るまでの制作プロセス全体をカバーしているわけではない。こうしたプロセスの自動化は重要な点だ。音声制作をクラウドに移行することで、規模のメリットが得られ、あらゆるリスナー向けに異なる音声トラックを作成できるようになる」とクンツ氏はいう。

「Descriptは、編集を容易にするための音声版Photoshopのようなスタジオ機能に重点を置いているが、当社は自社製品をどちらかというと音声版Stripeのように考えており、企業が単なる編集ではなく当社のAPIを使用して自社製品にAudio-as-a-Serviceを簡単に組み込むことができるようにしている」。

「Peloton（ペロトン）のようなヘルスケアアプリを例に説明すると、当社の方式では、高度にパーソナライズされたワークアウトをとても簡単に作成できる。高度にパーソナライズされたAIコーチをワークアウトに取り入れ、運動を続けるモチベーションを保つようユーザーをサポートする。これでユーザーは、ワークアウトデータの履歴やパーソナルベストに基づいてモチベーションを与えてくれるパーソナルトレーナーが自分の隣にいるような感覚を味わえる」。

「動画に関しては、慎重な選択だった」という。「音声は極めて個人的で、適切なニュアンスを出すのは複雑で難しい。当社は複数のAI動画プラットフォームと提携しており、こうした企業に音声を提供している。動画制作企業は合成音声がどれほど難しいかわかっているからだ」。

画像クレジット：画像クレジット：Rick Stufflebean

【原文】

London and Barcelona based audio-as-a-service SaaS startup Aflorithmic has scooped up $1.3 million in seed funding from Crowd Media Holdings, an Australia-based company focused on influencer-based ‘social commerce’ and marketing.

It’s taking a 10% stake in Aflorithmic, per a press release, where it says the strategic investment is aimed at enabling it to offer FaceTime conversations with celebrities through “best-in-class voice cloning technology”.

Two year old Aflorithmic may not have chosen a name that trips off the tongue but it’s all about speech and audio. It’s built a platform that offers fully automated, scalable audio production by using AI-driven synthetic media, (“ethical”) voice cloning, and audio mastering — which can be delivered to people’s ears via websites, mobile apps, smart speakers and so on via its APIs.

“Text in beautiful audio out” is its pithy slogan. Prior to the seed round it says it had taken in more than $887k in external capital, including via an oversubscribed pre-seed/FFF/angel round after bootstrapping for the first 10 months.

Sample clips on its website illustrate the personalization element with synthesized (robot-voiced) voice overs greeting a named customer before plunging into the detail of whatever content it’s been programmed to deliver.

Some of Aflorithmic’s current (proof of concept/pilot) customers are using its tools to create audio books for kids, for personalized narration of wellness/nutrition programs and even a robot butler concierge service for hotel guests. Its business thesis is that demand for audio far outstrips the ability of studio-produced human-spoken voiceovers to deliver.

Hence it reckons synthesized media will be needed to plug the demand gap — serving up infinite permutations of a voice track, each one personalized to a particular customer of the brand or enterprise. For now it’s working on around 10 projects with early beta customers, focused on the edtech, martech and health & fitness sectors.

At the same time, the popularity of podcasts and live-voice streaming shows no sign of abating — speaking to the staying power of audio in a video-heavy era.

Aflorithmic’s new investor, Crowd Media Holdings, has rather more ambitious designs on what its tools can help it do — and talks about ‘completely reshaping the way consumers engage in ecommerce’.

The specific driver for its investment in Aflorithmic (aka AFLR) is a plan to blend synthesized voice with video to let fans engage in “immersive” video chats with simulated versions of their favorite celebrities.

Taking a stake in the audio startup to partner on that project helps it de-risk that plan, it said.

“AFLR brings the audio tech that will replicate a celebrity’s accent, tone and mannerisms as if the celebrity were on the other end of a call,” Crowd Media writes, noting that “the actual content” the (future) cloned celebrity will sweetly whisper to your face will be “driven by” its own AI-driven chatbot technology — based on drawing on a knowledge base of answers built up from responding to more than 180M user-submitted questions (“via text-only mediums”).

Turning all that text into soothing synthesized voice is where Aflorithmic comes in. While the video piece of the cloned celebrity plan entails 3D imaging — with the tech for that being provided by three other synthetic media firms (UK-based Forever Holdings, digital human makers Zoe01 and Uneeq).

More broadly, Crowd Media says it will be integrating Aflorithmic’s technology into other of its social commerce applications, including its AI-driven chatbot (CM8) — which is targeted at customer service use cases across sectors like marketing, education, and health sectors.

For its part, Aflorithmic says it will be using the new funding for R&D for its API audio-production engine, voice cloning, and talent acquisition.

It offers its API-based audio-as-a-service to a range of customers — noting use-cases such as “hyper-personalized newsletters and podcasts” and voice cloning for marketing applications.

It also touts a “vast” voice library for customers to choose a robot speaker. But it also lets them record a snippet of their own voice to create personalized audio content through its voice cloning AI.

“Users can compose professional-quality pieces including music and complex audio engineering, then deliver the final product to any device or platform such as websites, mobile apps, or smart speakers — all without any previous production experience,” it writes.

Commenting on the funding in a statement, Timo Kunz, co-founder, and CEO at Aflorithmic, said: “We are excited to learn from Crowd’s experience in empowering companies to reach mass markets, and are pleased to accompany them as they define the future of social commerce. We believe audio creation as we know it is making way for automated, scalable, dynamic audio experiences — and companies like ours are at the forefront.”

“Synthetic audio production has a seemingly endless range of functions — the potential within marketing applications alone is mindblowing,” he added. “Imagine Kim Kardashian being a personal shopper for each of her 200M followers, or Lewis Hamilton explaining why YOU personally need the new Pirelli P Zero Rosso. All of this is just around the corner with our tech.”

On the business model he also told us: “We use a SaaS model similar to Twilio or Messagebird. There is a baseline monthly subscription based on usage, i.e audio tracks played. On top of that, we charge a fixed sum for cloning a voice. However, we also offer a free tier. For larger collaborations that have a heavy R&D aspect we will negotiate a custom price.”

Alforithmic’s other two co-founders are Peadar Coyle and Björn Ühss.

The startup’s claim of “ethical” voice cloning points to the challenges inherent for all companies working on  commercial tools to power the production of synthesized media.

While a cloned celebrity might just sound like a bit of fun, there is huge potential for misuse and abuse via individual voice cloning — from phishing scams and identity theft to emotional manipulation and blackmail. Copyright is another consideration.

In an ethics section of its website Alforithmic offers a brief nod to the risks in “making personalized audio scalable”. “With great innovation comes great responsibility,” it writes, adding: “We are committed to ethical, fair, transparent AI following the UK´s and European Union’s Ethics Guidelines for Trustworthy Artificial Intelligence. All our work and voice models and algorithms are only trained on and with the full compliance and approval of the individual data owner.”

Responding to questions about how it prevents misuse of its voice cloning tech, Kunz told TechCrunch: “This is a huge point. We thought about the ethics of synthetic audio very early and security is something we take very seriously and plays a key role in our early discussions with potential customers. We treat voice data like sensitive personal information and with the same care. All customer voices we clone need to give us written consent from the original speaker and we have a close look at how they use it — especially in the early stages.

“Also, our API infrastructure is securely designed to only allow access to paying customers, who have been onboarded and vetted by our team.”

“We purposefully don’t ride the Deep Fake wave,” he added. “Not only does it have negative connotations, but it’s also not purposeful use of the technology.”

On the competitive front, the startup points to Descript, which raised a $30M round just last month — and acquired another voice cloning startup, Lyrebird, back in 2019 — although its tools cover both video and audio vs Alforithmic being more fully focused on automating the entire audio production process.

“Descript is positioning itself more as a creator tool, which is great and they are doing fantastic. However, they don’t cover the full production process from text to speech, over music and sound editing to post-production. We think automating this process is a big deal. Taking audio production to the cloud allows for economies of scale and you can create a different audio track for every listener,” said Kunz.

“While Descript focuses on a sort of ‘studio’ as a ‘Photoshop for voice’ to make editing easy, we see ourselves more as a ‘Stripe for Audio’ making it very easy for companies to integrate Audio-As-A-Service into their products through our API instead of ‘just editing’.

“If you use health apps like Peloton as an example, this would allow them to create highly personalized workouts very easily. They could bring a hyper-personalized AI Coach into the workout who would help motivate users to give more and feel like there is a personal trainer next to them that offers motivation based on their previous workout data, personal bests etc.”

“Regarding video, that was a deliberate choice,” he added. “Audio is very personal and getting the nuances right is very complex and hard. We do collaborate with more than one AI video platform though, providing the audio for them because they found out by hard how challenging synthetic audio can be.”

This report was updated with additional comment from Alforithmic

（文：Natasha Lomas、翻訳：Dragonfly）