Y Combinator 日本語図鑑

事業概要

プロダクト

• テキストと話者・言語の指定を入力として受け取る。
• 入力文を音素列と韻律情報に変換し、音声波形を生成する。
• 生成した音声を顧客のサーバー上でストリーミング返却する。
• 30以上の言語で同一モデルを切り替えて使う。
• 低遅延が要る対話用途に向けて逐次生成する。

技術アーキテクチャ（推定）

• 学習用の音声と書き起こしは自社調達と公開コーパスから取得するとみられる。
• 推論は顧客のオンプレ環境に配備したモデル側で完結すると推定される。
• 入力文は正規化と音素変換を経て音響モデルへ渡す構成とみられる。
• 言語別の話者情報を切り替え、多言語を単一基盤で扱うと推定される。
• 音声は逐次出力して待ち時間を抑える設計とみられる。
• モデルの配布はコンテナなどの形式で行うと推定される。

収益モデル

• 企業がモデルの利用権に対して支払う形態とみられる。
• 課金単位はライセンスか従量制かで、いずれも非公開。
• 価格は非公開で、導入支援の有償可否も未確認。

差別化

• 30言語を単一モデルで扱う構成が模倣困難な資産になる。
• 顧客環境に常駐するため導入後に置き換えにくい。
• 音声を外部に出せない業種の需要を取り込める。

日本展開時のリスク

• 音声は個人情報に近く、保管場所と削除要件の説明が要る。
• 国内の既存音声合成製品との性能比較が導入判断になる。
• オンプレ配備は顧客側の計算資源と運用要員を要求する。
• 代理店網を持たないため大企業への到達が遅れる可能性がある。
• 遅延と音質の検証に時間がかかり商談が長期化しやすい。

日本での競合

• 国内の音声合成は長年、日本語特化のエンジンが中心だった。
• エーアイやHOYAの製品が企業向け導入で強い立場にある。
• オンプレ提供自体は国内勢も対応しており空白は限定的。
• 30言語規模の多言語対応を掲げる国内同型は見当たらない。
• 調達はシステム会社経由が多く、直接販売は時間がかかる。
• 音声の外部送信を避けたい業種では比較対象になりうる。