Gradium、電話番号、メールアドレス、金融コードのTTSベータを公開

Why it matters

Voice agents fail when they misread the identifiers needed to finish a call. Gradium is moving that normalization work into the model and using customer failures to train the next production release. ([gradium.ai](https://gradium.ai/blog/gradium-tts-public-beta))

Gradium、共同創業者兼CEOのNeil Zeghidour (@neilzegh)が率いる音声AI開発企業は、7月30日に、電話番号、メールアドレス、IBAN、時刻表現など、音声エージェントをしばしば破綻させる文字列を正しく発音するよう設計されたテキスト読み上げモデルのパブリックベータを開始した。GradiumはそのリリースをXへの投稿で発表し、gradium-tts-betaという名前でAPIを通じてモデルを公開した。 (gradium.ai)

https://x.com/gradiumai/status/2082895563712815458?s=46

このベータは、Gradiumが6月に実施した本番向けTTSアップグレードで始めた取り組みを継続するものだ。Gradiumによれば、新モデルは開発者が別個のプロンプト層や正規表現、テキスト正規化ルールを維持することなく、困難な入力を直接処理できるという。対象ケースは見出しに挙げた例を超え、アカウントハンドル、測定値、参照コード、ナンバープレート、URL、序数なども想定する。既存の本番モデルがデフォルトのまま残されるため、顧客は明示的にベータを選択する必要がある。 (gradium.ai)

そのフォーカスは、Zeghidourの市場への入り口を反映している。Gradiumを始める前、彼はGoogle Brain、Google DeepMind、Metaで生成オーディオに取り組んだ。彼はCTOのOlivier Teboul、Chief Coding OfficerのLaurent Mazare、Chief Science OfficerのAlexandre DefossezとともにGradiumを創業した。グループは以前、リアルタイムの会話音声システムを公開したパリの研究所Kyutaiで作業し、創業者たちはニューラルオーディオコーデックやオーディオ言語モデルの開発とオープンソース化に携わったとGradiumは述べている。 (gradium.ai)

本番環境の依存を取り除く

テキスト読み上げシステムは通常の散文では自然に聞こえても、運用上最もリスクを伴う構造化情報では失敗することがある。コールバック番号の読み間違いはカスタマーサービスのやり取りを終わらせてしまう可能性がある。メールアドレスは句読点をモデルが誤処理すると役に立たなくなる。金融識別子や参照コードは、聞き手が自国語で期待する文字とグルーピングをすべて保持しなければならない。

開発者は通常、推論前に入力を音素や展開形に書き換えることでこれらの失敗に対処する。それは音声スタックに別のコンポーネントを追加し、エンジニアリングチームがテスト・維持しなければならない言語固有のエッジケースを生む。Gradiumがベータで掲げる目標はより単純だ：アプリケーションはデータベースや言語モデルから直接テキストを送信し、前処理なしで使用可能な読み上げバージョンを受け取れるべきだ。 (gradium.ai)

モデルはGradiumのPython SDKとリアルタイムWebSocket APIを通じて利用可能だ。開発者はモデル名としてgradium-tts-betaを渡すことでそれを選択する。既存のGradiumボイス、カスタムボイスを含め移行は不要だ。Gradiumはベータを本番でのデフォルトにするのではなくAPIユーザーに限定しており、顧客に自社トラフィックでモデルをテストするための管理された経路を提供している。 (gradium.ai)

Gradiumは、本番事例に基づくフィードバックを提出した各ベータ参加者に100万クレジットを提供している。Gradiumの公表された換算率では、TTS文字1文字につき1クレジットで、生成音声およそ1時間あたり45,000文字として、このインセンティブは約22時間分の合成に相当する。参加者は入力テキスト、言語、ボイス、期待される出力を提供する必要があり、これによりGradiumはモデル改良に使う失敗事例の流れを得る。 (gradium.ai)

このフィードバック提供の申し出はリリースの核心だ。構造化文字列は地域ごとのフォーマット、略語、発音慣習が多すぎて、単一のクリーンなベンチマークだけでカバーできない。Gradiumは顧客のワークロードを使ってロングテールを見つけながら、開発者にサポートコールやアカウント検証、その他のライブアプリケーションに紐づく正確な入力でベータを評価するよう求めている。

多額の資金を得た音声スタック

Gradiumは2025年12月に、FirstMarkとEurazeoが主導する7,000万ドルのシードラウンドで公開ローンチした。7月8日、Gradiumはラウンドを1億ドルに拡大し、NVIDIAを投資家として加えたと発表した。Gradiumはこの資金が研究、製品開発、国際展開、サンフランシスコ・ベイエリアのオフィスに充てられると述べた。 (gradium.ai)

この資本によりGradiumはElevenLabs、Cartesia、Inworldや大規模モデルベンダーの音声製品を含む音声市場で競争する余地を得た。Gradiumはリアルタイムインフラストラクチャに軸足を置いており、音声生成、文字起こし、翻訳、ボイスクローン、ターン検出を組み合わせて対話型エージェントを構築できると打ち出している。Gradiumはローンチから数週間で収益化を始め、ヘルスケア、カスタマーエクスペリエンス、メディア、AIエージェント、消費者向けアプリケーションの顧客にサービスを提供していると述べているが、数値は同社発表のままである。 (gradium.ai)

今回のパブリックベータは、その広範なプラットフォーム戦略を特定のエンジニアリング課題に絞り込むものだ。Gradiumは、音声プロバイダの競争が「デモがどれだけ人間らしく聞こえるか」だけでなく、モデルが日常的な業務データをどれだけ生き延びられるかで行われると賭けている。電話番号、メールアドレス、銀行識別子は、表現力豊かなクローン音声よりドラマチックではないが、音声エージェントが配備されたタスクを完遂できるかを決める要素だ。