MiniMaxは、AI大手の商湯科技（センスタイム）で副総裁を務めていた閻俊傑氏らによって、2021年12月に上海で設立された。24年3月には、アリババグループの主導で6億ドル（約860億円）を調達し、評価額は25億ドル（約3600億円）に達している。

アリババ、中国生成AIユニコーン「MiniMax」に6億ドル以上の出資か　クラウド事業のテコ入れ狙う

同社はこれまでに、マルチモーダルな入出力に対応できる複数の基盤モデルを独自に開発してきた。主力は、テキストモデル「MiniMax-Text-01」、視覚言語モデル「MiniMax-VL-01」、音声合成モデル「MiniMax-Speech」など。

今回リリースされた「Speech-02」は、音声合成技術において優れた性能を発揮しており、人に近い自然な発音、個性の再現、多様な話し方という3点が特に際立っている。

Speech-02の音声合成は、ほぼ完璧といえる仕上がりで、中国語・英語ともに自然なイントネーションと豊かな感情表現を実現している。さらに、数秒間の音声サンプルから話者の声を高精度で再現できる機能を備えており、声質の微調整も可能だ。例えば、テイラー・スウィフトの声で論文を読み上げさせてみたところ、声のトーンだけでなく、話し方のクセやリズムまで忠実に再現できる。

また、32言語に対応しており、異なる言語への切り替えも非常にスムーズだ。例えば、サンプルの音声が英語であっても、その声の特徴を保ったまま、違う言語で合成することができる。

多言語評価では、24言語に及ぶテストセットで優れた性能を示した。特に、中国語（標準語）、広東語、タイ語、日本語など複雑な言語で優れた成績を収め、英語においてもElevenLabsを上回る結果を記録した。

Speech-02はすでに複数の業種で実用化が始まっている。

教育分野では、オンライン教育を運営する高途教育科技と提携して、24時間対応可能かつ個々に合わせた言語トレーニングシステムを開発した。例えば、話題になった、香港の俳優・呉彦祖氏の声を高度に再現したAIを相手に、24時間いつでも英会話の練習を行えるサービスも、このシステムがベースになっている。

スマートコックピットでは、高級EVブランド極狐（ARCFOX）の車両にSpeech-02を含む複数のAIモデルを導入し、ユーザーの質問にリアルタイムで答えられるようにしている。

玩具分野では、中国の Haivivi（躍然創新）が開発した、ぬいぐるみに装着するだけで会話できるようにする「BubblePal」という画期的な製品に組み込まれ、子どものさまざまな質問に即時に応答可能な知育機能を提供。発売から2カ月で2万台以上を売り上げるヒット商品となった。

メディア・エンタメでは、香港のテレビ局と提携して、音声モデルを活用した広東語による天気予報サービスを導入した。また、動画生成AIのHedraと協業し、カスタマイズ可能なデジタルキャラクターを生成できるようにし、エンタメ業界に新たな可能性をもたらしている。

MiniMaxは、すでに一般消費者および企業向けのプロダクトを多数リリースしてきた。代表的なものには、バーチャルキャラクターを使ったAIチャットアプリ「Glow」とそのグローバル版「Talkie」、テキスト・音声・音楽・動画の生成機能を備えた業務効率化ツール「海螺AI（HailuoAI）」などがある。

中国発AIチャットアプリ「Talkie」が米国で快進撃、TikTokの二の舞い懸念も

＊1ドル＝約144円で計算しています。

作者：量子位（WeChat公式ID：QbitAI）

（編集・36Kr Japan編集部、翻訳・畠中裕子）

この中核技術であるMaskGCTは、趣丸科技と香港中文大学・深圳校が共同開発したオープンソースの音声合成モデルで、音質や類似性、制御性能などが世界の最先端、業界の最高水準を実現しており、2024年10月のリリース直後から広く注目される存在となった。

話題の音声合成モデル「MaskGCT」、たった数秒で超リアルな音声クローン　日・英・中など多言語対応

海外では、ElevenLabsが開発した音声合成技術が品質の高さと豊富な音声を選択できることで知られ、オーディオブックやポッドキャスト、ゲームなどの分野で広く活用されている。しかし中国国内ではアクセスが制限されているため、それと比較すると趣丸千音はローカルでの利用において優位な立場にある。

同プラットフォームは現在、中国語のほか英語、日本語、韓国語、ドイツ語、フランス語など多言語間での相互翻訳が可能で、音声のバリエーションは数十種類あり、複数の役割を割り当てたり速度調整したりすることもできる。さらに字幕の削除から翻訳、吹き替え、ポストプロダクション、納品まで動画翻訳に関わる一連の作業を全て自動化した。40GBの動画を一括で処理でき、1日当たりの平均処理量は1000分を超え、従来に比べて効率が10倍以上に向上した。

実際に36Krが自社CEOのスピーチ動画を使って中国語から英語・日本語への翻訳を試した。動画をワンクリックでアップロードするだけで、AIが自動的に字幕を付け音声を吹き替えた翻訳版を作り上げてくれた。その結果はというと、生成された音声はオリジナル音声の口調や感情が高度に再現され、英語も日本語もクリアな発音でよどみなく、人間の声に大変よく似ていた。

この音声翻訳機能は、まず海外向けショートドラマ市場での活用が期待されている。中国ではショートドラマの制作が盛んで、多くの制作会社が質の良い人気ドラマをそのまま翻訳して海外へ売り出そうとしている。あるショートドラマのプラットフォームの責任者によると、これまでは翻訳版の制作には1分当たり200～300元（4000～6000円）程度のコストがかかり、作業に30日を要していたが、趣丸千音を利用すれば3日に短縮できる。さらにAIがオリジナル版の配役の口調や感情、声色を正確に再現し、キャラクターイメージにぴったりと合っているため、大量の海外ユーザーを引き付けるのに一役買っているという。

中国発ショートドラマアプリ、米国が最大の海外市場に。日本でも驚異の「シェア9割」

ニュースの分野でもすでに、趣丸千音を使って翻訳のコストや時間を大幅に削減する取り組みが始まっている。ワンクリックで英語・日本語・韓国語の海外向け動画コンテンツを生成し、動画投稿アプリ「TikTok」や動画共有サイト「Youtube」などで同時に配信するメディアも登場している。またオーディオブック市場では、システムが役柄ごとに異なる音声を自動的に割り当て、1時間の音源制作に必要な時間は3日から20分に短縮された。

趣丸千音は、ほかのデバイスやシステムに組み込みやすいという点でも優れている。スマートフォンやARグラス、車載音響システムなどにも対応し、AI音声対話やナビゲーション・ガイドなどでの応用が可能だ。例えば博物館では、ガイドが語る説明をその場で外国語に変換するサービスを提供することもできる。

＊1元＝約19円で計算しています。

（翻訳・36Kr Japan編集部）