Speak Modeの紹介: 会議であなたの代わりに話すAI音声翻訳

多言語の会議にいる非ネイティブ話者なら誰もが知っている、具体的で苦しい瞬間があります。議論は速く進んでいます。画面には字幕が流れています。あなたはすべてを完璧に理解しています — Gaavalaは20分間ずっと相手側を翻訳し続け、あなたは一語一語ついてきました。そこで誰かがあなたのほうを向き、直接の質問をします。

そして、一方向だったはずの言語の壁が、そこで壁になります。

あなたは答えを知っています。何を言いたいのかも正確に分かっています。ただ、会議の作業言語で、同じ速度と精度でそれを言うことができないだけです。ためらい、和らげ、単純化して、結局、自分が本当に知っているよりも物を知らないように聞こえてしまいます。慎重な1文を組み立て終わる頃には、会話は先へ進んでいます。

私たちは、そのループを閉じるためにSpeak Modeを作りました。Speak Modeを有効にすると、あなたは母語で話し、Gaavalaが翻訳されたあなたの声を会議に向けて話します。他の参加者には、流暢でリアルタイムな声が、彼らの言語であなたの返答を届けます。あなたは、部屋の中の静かな人であることをやめます。

この記事では、Speak Modeが具体的に何をするのか、それを動かす1つのボタンとそれが読み取る2つのジェスチャー、選べる2つの声 — 69のスタジオプリセット、またはあなた自身の声のネイティブなクローン — 、そして重要な通話で有効にする前に理解しておくべきトレードオフを解説します。

Speak Modeが実際にすること

Speak Modeは、文字起こしの上に重ねられた吹き替えトラックではありません。既存のGaavalaの文字起こしフローと並んで走る、ライブで双方向の音声パイプラインです。

会議中にこれを起動すると、あなたのブラウザの中で次のことが起こります:

あなたのマイク音声が拡張機能によってキャプチャされます — 受信側のためにGaavalaがすでにキャプチャしているタブ音声とは別に。
そのマイク音声が、音声認識のためにWebSocketを介してSonioxへ直接ストリーミングされます。これはGaavalaの他の部分が使うのと同じSoniox直結のパターンです — 音声が当社のバックエンドに触れることはありません。
Sonioxがあなたのソース言語で確定したトークンを吐き出すにつれ、拡張機能はそれらを短いフレーズにまとめ、あなたが設定したターゲット言語のためにGaavalaの翻訳ステップへテキストを送ります。
翻訳されたテキストが、選択されたTTSエンジンへ渡され、そこで音声クリップが合成されます。
その音声クリップが、あなたの送信マイクのトラックの代わりに通話へ送られるため、全員が翻訳された声をあなた自身の声のように聞きます。インストールすべき仮想マイクデバイスも、会議アプリの音声設定で選ぶものもありません — そして翻訳された声が再生されている間、あなたの実際のマイクはミュートされるため、通話が両方を同時に聞くことはありません。

このループ全体は、あなたがまだ話している間に走ります。あなたが自分の言語で1文を言い終わる頃には、合成された翻訳はすでに相手の言語で再生されています。「翻訳」ボタンを待つ必要はありません。思考と思考の間に、普段より長く止まる必要もありません。

押し方を読み取る1つのボタン

実際の会議はどれも同じではありません。だからSpeak Modeは、一行の答えを返しているときと、スライドを使って誰かを案内しているときとで、違う振る舞いをする必要があります。ほとんどのツールはこれを、必要になる前に設定しておくモードセレクターで解決します — つまり、もう一方のモードが必要になったその瞬間、あなたは間違ったモードにいるということです。

Gaavalaにモードセレクターはありません。Speakボタンは1つで、それがあなたの押し方を読み取ります。

長押しする

ボタンを押さえている間だけ、あなたは話しています。離せばパイプラインはきれいに閉じます。これがトランシーバーのジェスチャーであり、安全なほうです: 独り言、咳、考えを声に出した瞬間を、誤って放送してしまうことがありません。素早い割り込みにも、流れよりも精度が重要な重い通話にも、意図していない声をマイクが拾いうるあらゆる部屋にも、これが正しい本能です。

長押しはキーボードからも使えます — スペースキーを押し、3分の1秒ほど押さえ続ければ、ボタンを長押しするのとまったく同じように振る舞います。

タップする

代わりにボタンをタップすると、ハンズフリーの60秒ウィンドウが開きます。リングがウィンドウを分と秒でカウントダウンし、最後の10秒でアンバーに変わるため、時計を見ずとも自分のターンがどれだけ残っているかが常に分かります。自然に話してください。Gaavalaは進みながらフレーズごとに翻訳して声にし、あなたは何にも触れる必要がありません。

素早く2回タップすると、代わりに30秒のウィンドウが開きます — 短い準備済みのポイントには、こちらが正直な長さです。ウィンドウが走っている間にもう一度タップすれば早めに終了し、そうしなければゼロで自動的に終わります。

なぜ2つではなく1つのコントロールなのか

あなたがすでにしているジェスチャーが、意図を符号化しています。短く押すのは「これだけ」を、タップは「少し時間をください」を意味します。事前に設定するものは何もなく、その瞬間が来たときに間違ったモードにいることもなく、割り当てるべき、あるいは忘れるべきホットキーもありません。プッシュ・トゥ・トークについて人々が気に入っていた安全上の性質 — あなたが意図しない限り、部屋から何も出ていかない — は、長押しについて今もまったく真です。

声: 69のスタジオプリセットと、あなた自身の声

Speak Modeでは、会議に聞こえる声を2つの方法から選べます。どちらもGaavalaが翻訳する60言語すべてを話し、どちらもGaavalaの他の部分と同じSoniox直結の経路にとどまります — サードパーティの音声ベンダーはループの中にいません。

69のSonioxスタジオボイス(Proの初期設定)

SonioxスタジオボイスはProの初期設定であり、たいていの人が変える必要のないものです: Gaavalaが翻訳する60言語すべてを言語をまたいで話す69の多言語プリセットが、マネージドキーの上で使えます — セットアップするものはありません。合成は字幕と同じ短命キーのパターンでブラウザからSonioxへ直接向かうため、翻訳されたテキストがGaavalaのバックエンドを通ることはありません。遅延はストリーミング型です — 最初のチャンクが用意でき次第、声が再生され始め、典型的にはフレーズが確定してから1〜2秒です。

あなた自身の声(ネイティブのクローン)

サイドパネルで、自分の発話を約20秒だけ一度録音すると、Gaavalaが個人のボイスクローンを作成します — Soniox搭載で、スタジオボイスと同じ60言語を、プリセットではなくあなた自身の音色で話します。参照サンプルは暗号化されて保存され、同じ設定画面からいつでも削除できます。会議の音声そのものは、この機能でも、Gaavalaの他のどこでも、保存されることは決してありません。

この2つの選択肢がトレードオフしているのは、たった1つ、馴染みです。スタジオボイスは最初のセッションから洗練され中立的に響きます。あなた自身のクローンは、セットアップに20秒かかり、そのあとは毎回、紛れもなくあなたの響きになります — 同じクライアントやチームメイトと定例の通話を持っていて、通話のたびに同じ声を聞いてほしい場合に役立ちます。

既存の選択肢との比較

会議でのリアルタイム音声翻訳は、何年も「近日公開」の機能であり続けてきました。いくつかは存在しますが、どれもSpeak Modeがカバーするのと同じ範囲をカバーしてはいません。

Microsoft Teams Interpreter Agent。 Microsoftは、ユーザーの声で翻訳して話せるInterpreter AgentをTeams向けに発表しました。Teams専用です。Microsoft 365 Copilotのライセンス — 対象となる基本プランに上乗せされる座席ごとの有料アドオン — が必要で、組織向けにCopilotを有効にしたテナント管理者によってゲートされています。Copilotのライセンスが行き渡ったTeams環境の中で生きているなら、これは正当な選択肢です。テナントの外にいる顧客と、Teams、Zoom、Meet、Webexをまたいで働いているなら、助けにはなりません。
ChatGPT Voice Mode。 ChatGPTはあなたと音声で会話でき、翻訳もできます。できないのは、あなたのZoom通話の中に座って、他の参加者に対してあなたの代わりに話すことです。これは個人向けの音声チャットボットであって、会議の音声エージェントではありません。
Google Meetの翻訳字幕。 Google Meetにはリアルタイムの翻訳字幕があります。テキストだけです。相手側に音声の出力はありません。
Interprefy、KUDO、そしてエンタープライズ向けの通訳プラットフォーム。 これらは本物の通訳サービスです — 多くは人間の通訳者で、AIの支援が入ることもあります — 大規模なカンファレンスや規制産業向けに価格設定され、構成されています。個人のコンサルタントが1対1の営業通話に付け足すようなものではありません。

私たちの知る限り、人々が実際に使う会議プラットフォームの中で、本当に双方向の音声翻訳を行う、消費者向けの価格のツールは市場に存在しません。Speak Modeは、その空白に対する私たちの答えです。

Speak Modeは誰のためのものか

Speak ModeはProの機能で、エンタープライズの展開ではなく、個人のプロフェッショナルに向けて価格設定されています。最も多くを得るのは次のような人たちです:

国際的なコンサルタント — 英語が限られていて、あなたの英語で苦労するより自分の言語で聞きたいクライアントとのプロジェクト通話を回している人。
多言語のチームリード — 半分が一つの言語で考え、半分が別の言語で考えるオフショアのエンジニアリングチームとのスタンドアップに参加する人。
海外市場に売る営業担当 — 顧客の言語で流暢に響く声が、通話の手触りと見積もりの伝わり方を変える現場にいる人。
フィールドオペレーションの担当者 — オフショアの現場と本部の間を橋渡しし、誤解の代償が社交上のものではなく運用上のものである人。

会議が単一の言語ペアで完全にバイリンガルに進み、全員がついてこられるなら、おそらくSpeak Modeは必要ありません。言語の隔たりが一方向であるために、あなたか相手の誰かが黙り込む瞬間が繰り返し訪れるなら、その瞬間を直すのがこの機能です。

プライバシー: 変わるものと変わらないもの

Speak Modeを有効にしても、Gaavalaの中核的なプライバシーアーキテクチャは変わりません。受信する会議音声は、これまでどおり当社のバックエンドに一切触れないWebSocketを介して、ブラウザからSonioxへ直接ストリーミングされます。Speak Modeのためのあなたのマイク音声も、同じSoniox直結のパターンに従います — 私たちがそれを見ることはありません。

TTSのステップは、どちらの声の選択肢でも同じパターンに従います。Sonioxスタジオボイスは、翻訳されたテキストを、字幕が使うのと同じ短命の一時キーで認証しながら、ブラウザからSonioxへ直接送ります — Gaavalaのバックエンドがそのテキストも音声も見ることはありません。あなた自身のクローンボイスも同じように合成されますが、その上流に、意図的で狭い例外が1つあります: クローンを構築するために録音する約20秒の参照サンプルは、Gaavalaのサーバーに暗号化(AES-256-GCM)して保存され、あなたの声を構築し維持するためだけに使われ、いつでもリクエストに応じて削除されます。Speak Modeの音声について、それ以外のもの — あなたのマイク入力も、会議の音声も、合成された出力も — が保存されることは決してありません。

Gaavalaのバックエンドは、どちらの声の選択肢でも音声経路の外にとどまります。これを検証したい場合、当社のプライバシー記事にある同じネットワーク検査の手口が今も使えます: 拡張機能のバックグラウンドページのDevToolsを開き、Networkタブをフィルターすれば、Sonioxへの直接接続が見え、gaavala.com への音声トラフィックは見えません。

有効にする方法

Speak ModeはPro限定の機能です。Gaavalaの無料トライアル(一度きりの5分間、クレジットカード不要、リセットなし)にSpeak Modeは含まれていないため、セットアップの流れはおおよそ次のようになります:

Chrome Web StoreからGaavalaを無料でインストールし、サインインします。
サイドパネルからProにアップグレードします — 月額$19.99、試用期間なし — Speak Modeが必要になったときに直接アップグレードしてください。
サイドパネルの設定を開き、Speak Modeのセクションを見つけます。
声を選びます。SonioxスタジオボイスがProの初期設定で、セットアップは不要です。自分の声で話したい場合は「Clone my voice」(自分の声をクローンする)を選び、約20秒のサンプルを録音してください — Gaavalaがクローンを構築し、すぐあとに選択できるようになります。
会議のターゲット言語を設定します。選ぶべきキャプチャのモードはありません — Speakボタンがあなたのジェスチャーを読み取るため、事前に決めておくべきことは何もありません。

そのうえで会議に参加してください。一言だけ言いたいときはSpeakボタンを長押しし、まとまった内容を届けたいときはタップしてハンズフリーのウィンドウを開きます。

実際の使用でのヒント

この機能を作り、自分たちで使い込む中で得た、いくつかの実務的なメモです。

まず長押しで慣らす。 合成された自分の声が会議へ再生されるのを初めて聞くとき、それは奇妙に感じられます。ハンズフリーのウィンドウのためにタップし始める前に、最初の数回の通話はボタンを長押しで使ってください。いつ間を置くべきか、どのくらいの声量で話すべきか、翻訳された声が相手側にどう届くか — その感覚はすぐに較正されますが、それは一つひとつの発話をあなたが制御している場合に限られます。
クローンするのは自分の声だけ。 サイドパネルの録音フローは、あなた自身が録音したサンプルからしかクローンを構築しません — Speak Modeを通じて他人の声をクローンする経路は存在せず、アプリ内の同意のステップもそれを反映しています。
重要な場面では開示する。 会議にコンプライアンス上の含意がある場合 — 法務、医療、規制対象の販売 — リアルタイムの音声翻訳の層が通話に入っていることを相手に伝えてください。文字起こしツールの利用を開示するのと同じ礼儀です。
元の音声はオンのままに。 Gaavalaは、これまでどおり元の会議音声をあなたのスピーカーへ流します。あなたは受信側を聞き、読み続けるべきです。Speak Modeは送信側の半分であって、相手の言っていることを理解することの代わりではありません。

よくある質問

会議側は、私がこれを使っていると分かりますか? 直接には分かりません。合成された声は、あなた自身が使うのと同じマイクのチャンネルを通って相手側に届くため、バナーもメタデータもありません。相手には非常に流暢な声が聞こえ、返答の前の小さな間に気づくことはあるかもしれません。重要な場面では開示することをお勧めします — 上の礼儀についてのメモをご覧ください。

自分のクローンボイスを使えますか? はい — Proで、ネイティブに使えます。サイドパネルのSpeak Mode設定で約20秒のサンプルを録音すれば、GaavalaがSoniox搭載のクローンを構築し、Speak Modeの声として選択できるようになります。別のアカウントもAPIキーも不要です。

遅延はどのくらいですか? スタジオボイスもあなた自身のクローンも、同じストリーミング型の、ブラウザからSonioxへ直結する合成の経路を使います。フレーズが確定してから1〜2秒のうちに声が再生され始めると考えてください — 会議に何かが聞こえるまで、文全体のレンダリングを待つわけではありません。

ターゲット言語が英語でない場合は? どちらの声の選択肢も、Gaavalaが翻訳する60言語すべてをすでに話します — Sonioxスタジオボイスもあなた自身のクローンも、ターゲット言語に関係なく、そのままで同じように動作します。

Teams Premiumの会議でも動きますか? はい。Speak Modeは、Chromeタブの中で走るあらゆる会議で動作します — Microsoft Teams、Zoom、Google Meet、Webexを含めて。会議の主催者がTeams PremiumやCopilotを持っているかどうかは関係ありません。Speak Modeは、会議ホストのインフラではなく、あなたの側で走ります。

試してみる

Speak Modeは、Proのご契約者に今すぐご利用いただけます。Gaavalaが初めてなら、まず一度きりの無料トライアル — 5分間の文字起こし、クレジットカード不要 — から始めて、受信側の翻訳体験を先に評価してください。Speak Modeは無料トライアルには含まれません。送信側でこれを解放する準備ができたら、Pro(月額$19.99、試用期間なし)にアップグレードしてください。

GaavalaをChromeに追加 →

Chrome Web StoreからGaavalaを無料でインストールし、それからProにアップグレードしてSpeak Modeを解放してください。