Episode Details

画像処理の世界を一変させたMetaの「SAM（Segment Anything Model）」が、ついに音声の世界にもやってきました。Metaは今週、音声編集を劇的に簡略化する新モデル「SAM Audio」を発表しました。これは、画像内の特定の物体をワンクリックで切り抜くように、録音データの中から「犬の鳴き声」や「ギターの音」だけを自在に抜き出したり、消去したりできる技術です。

これまで、音声編集といえば「波形」との戦いでした。特定のノイズを取り除くには、周波数スペクトルを目で確認し、手作業でフィルタリングする必要があり、これには高い専門性が求められました。しかし、SAM Audioはこの常識を覆します。「車のエンジン音を消して」とテキストで指示したり、動画内の車を指定したりするだけで、AIがその音の意味を理解し、綺麗に分離してくれるのです。

技術的なポイントは、SAMシリーズ特有の「ゼロショット学習」能力です。特定の音を事前に学習させていなくても、AIがその場で文脈を理解して処理を行います。Redditで開催された開発チームのAMA（Ask Me Anything）セッションによると、このモデルはSAM 3やSAM 3Dと共に「Segment Anythingコレクション」の一部として展開され、Hugging Faceですぐに試せる状態で公開されています。

競合するAdobeなども音声編集AIを強化していますが、Metaの強みはやはりそのオープンな展開戦略にあります。開発者はこのモデルを自社のアプリに組み込むことができ、今後、会議録音から特定の人の声だけを抽出するツールや、動画制作のバックグラウンドノイズを一瞬で消すプラグインなどが爆発的に増えることが予想されます。私たちのようなポッドキャスト配信者にとっても、救世主となる技術かもしれませんね。