気づくと進歩が著しい画像生成、音楽生成、動画生成、音声合成2025年9月

を書いた5月から時間が経って、手元にあるネタをページにする。毎月の記事にメジャーな会社の動き的な内容は書いているけど、そこに掲載しづらかったり、より手元で動かせそうなものを。

文字起こし

は、音声ファイルからの文字お越しは今でもWhisper一強なのかもしれない。ReazonSpeechも気になってたので試したけど、テスト用の短いファイルでは良さげだけど、100MB超えたら動かなかったww
Whisperなら、GPUは使ったけど、安定して動いた。内部的にはファイル分割して処理してるんだろうけど（ReazonSpeechは外で処理が必要？）。

動画の文字起こし・修正・編集・翻訳にはオープンソースであるらしい。

音声合成

では4人会話の90分ポッドキャスト番組を生成できる「VibeVoice」というのもあるそうな。別の記事でも書いたけど、Microsoftは研究所は強いなー。

動画生成

はgoogleが最近では一番良さそうな記事を出している。動画作成のVeo 3も進化して、編集ツール「Google Vids」も無料で一般公開、AI機能も使える。これなら大規模言語モデル(LLM)やそのツールの情報整理2025年9月版/google分で扱ったnano-bananaで世間を騒がす必要なかったと思うよww

音楽生成

のAIツールもついてに調べたら、聞いたことあるものも無いものもある、

音楽のバイブコーディングではなく、人が生成AIのサポートを受けてるとの注釈はXの機能で誰かつけてたけど、まぁそれでも面白いよね。

まぁ、本当に真面目にやりたいなら有償版を買えとww

それでも以前より機器の難易度や予算の面では敷居は低くなったのだから、多少なりとも才能があったら手を出してみたら楽しめると思うけどな。

画像系では

最後にXでネタになってた面白いのを。

AI-OCRで顧客からpdfで来てしまった文章の読み込みにも関わったことがあるけど、どんな画像でも100%正確な読み込みなんて無理だし、AIでの補正も間違ったら元の文章と意味が変わることもある。
AIに過剰な期待をする前に、せめてExcelやwordで良いから真面目にデータを電子的に整備した方が良いよー！