DeepL、新Voice AIモデル「Aure」を発表 会話中に変化するトーンや感情を、リアルタイムで翻訳音声に反映

日本語を含む8言語に対応。オンライン会議、対面での会話、 APIで追加設定なしで自動適用

ケルン（ドイツ）発 － 2026年11月11日 － グローバルビジネスを支える言語AI企業のDeepLは本日、リアルタイム音声翻訳ソリューション「DeepL Voice」を支える新たな音声AIモデル「Aure」を発表しました。Aureで、会話中の音声を継続的に分析し、話者のトーンや感情、強調の仕方、話すペースの変化を翻訳音声をリアルタイムで反映します。話者本人と認識できる声の特徴を保つ現在の技術を発展させ、会話の中で変化する表現やニュアンスを、異なる言語でもより豊かに伝えます。 

Aureは、DeepLが9月に先日発表した話者の声の特徴を維持する音声技術をさらに進化させたものです。従来のモデルが会話の冒頭で捉えた音声をもとに翻訳音声を生成していたのに対し。Aureは会話中の音声を継続的に分析します。話者本人と認識できる声の特徴を保ちながら、会話の進行に伴う話し方の変化にも対応します。 

 

DeepL 創業者兼CEOであるヤレック・クテロフスキーは、次のように述べています。 

「声は、その人らしさを表し、感情を伝え、人と協働し、つながるうえで欠かせないものです。そして、私たちの話し方は常に一定ではありません。会話の中でトーンや話すペース、表現は絶えず変化し、それによって同じ言葉でも伝わり方は大きく変わります。これまで、異なる言語でコミュニケーションを取る際には、こうした自分らしい表現が十分に伝わらないことがありました。DeepL Voiceは、人がテクノロジーに合わせて話し方を変えるのではなく、テクノロジーが人々の自然な話し方に適応することで、このあり方を大きく変えます。そして今回、Aureによって、会話の中で生まれるわずかな表現の変化まで捉え、その人自身の声でリアルタイムに別の言語へ反映できるようになりました。これは、話す言語が変わっても、その人らしさは変わらない世界の実現に向けた、大きな一歩です。」
 
リアルタイム音声翻訳を進化させる新たなアプローチ 
これを実現するため、Aureでは、DeepLのVoice AIモデルによる音声処理のアプローチを根本から進化させています。従来のDeepL Voiceは、会話の冒頭で捉えた話者の声をもとに、話者本人らしい自然で表現豊かな翻訳音声を生成していました。これにより「誰が話しているか」を捉え、その人らしい声を再現することはできましたが、会話の中で刻々と変化する「どのように話しているか」まで継続的に捉えることには限界がありました。固定された音声の特徴だけでは、会話の途中で変化する感情や強調の仕方、話すペースに追従したり、皮肉のように、言葉そのものとは異なるニュアンスを持つ話し方を伝えたりすることは困難でした。 

Aureでは、このアプローチからさらに一歩進め、翻訳された言葉と元の音声の両方を用いて、入力される音声を継続的に分析します。これにより、話者が「何を話しているか」だけでなく、「どのように話しているか」まで捉え、その変化をリアルタイムで翻訳音声に反映します。 

この技術の実現には、いくつかの技術的な課題がありました。実際の会話には、周囲の雑音やエコー、音声の乱れなどが含まれるため、Aureはこれらを取り除きながら、話者固有の声の特徴や抑揚、リズムなどの話し方の特徴（プロソディ）を正確に捉える必要があります。また、話者の声を異なる言語でも自然に再現することは、同じ言語内で再現する場合よりもはるかに複雑です。特に、アクセントを過度に強調したり、本来の声の印象を損なったりすることなく、その人らしい声を別の言語でも自然に再現する必要があります。 

さらに、同じ話者が複数の言語を話す実際の音声データは限られています。DeepL Voiceでは会議の文字起こしや翻訳データを永続的に保存せず、セッション終了時にこれらのデータをメモリから削除しています。そのためAureは、話者が一文を話し終える前から、その人固有の声の特徴を捉えて、リアルタイムで適応すると同時に、会話や状況に応じて自然に変化する話し方にも対応する必要があります。同じ人でも、ある日は疲れた声で話し、別の日には高揚した話し方をしたり、ストレスのかかる状況では話し方が変化したりすることがあります。Aureは、こうした違いを捉え、その瞬間の話し方に合わせて翻訳音声を調整します。 

こうした課題に対応するため、DeepLは、話者固有の声の特徴、抑揚やリズム、発話内容をそれぞれ分離する複数のトレーニング手法を組み合わせ、それぞれの要素を独立して別の言語へ反映できるようにしました。さらに、強化学習によって出力を最適化し、翻訳の正確性と音声品質を維持しながら、特定のアクセントに偏らない自然な音声を生成します。これらの課題を同時に解決していることが、Aureの大きな特長です。 

多言語での会話に、より豊かな意味を 
声は、単に言葉を伝えるためのものではありません。その人らしさを表現し、自信や説得力を伝え、相手との信頼関係やつながりを築くうえでも重要な役割を果たします。大切な場面での会話では、「何を話すか」だけでなく、「どのように話すか」も同じように重要です。 

Aureによって、DeepL Voiceのユーザーは、こうした声に込められた表現を異なる言語でも、より豊かに伝えられるようになります。例えば、重要な発表を前に少し間を置いたり、重要な交渉で言葉を強調しながら切迫感を持って話したり、グローバルチームに良い知らせを伝える際に真剣な口調から熱意のこもった話し方へと変化したりすることがあります。Aureはこうした会話中の話し方の変化をリアルタイムで翻訳音声に反映します。これにより、異なる言語での会話でも、普段自分の言語で話すときのような自然な表現やその人らしさ、細かなニュアンスをより豊かに伝えることができます。 

グローバルに事業を展開する企業にとって、その価値は単に翻訳音声がより自然になることにとどまりません。自信や説得力、その人らしさを保ちながらコミュニケーションできることは、顧客との信頼関係の構築や重要な交渉、グローバルチームの連携など、さまざまな場面で重要です。Aureは、一人ひとりの声が持つその人らしさをより豊かに伝えることで、使用する言語にかかわらず、誰もがあらゆる会話に自分らしく参加できる世界の実現に近づけます。
 

AureをDeepL Voiceで提供開始 
Aureの詳細および実際の機能については、DeepL公式サイトにてご確認いただけます。
Aureの新機能は追加の設定を必要とせず、「DeepL Voice for Online Meetings」「DeepL Voice for In-Person Conversations」および「DeepL API for Voice」で自動的に適用されます。英語、ドイツ語、スペイン語、フランス語、イタリア語、日本語、ポルトガル語、韓国語の8言語に対応し、今後さらに対応言語を拡大する予定です。その他の言語についても、既存の音声モデルを通じて引き続きDeepL Voiceを利用できます。 

Aureは、DeepL Voiceのさらなる進化を示す最新モデルです。DeepL Voiceはグローバル企業で導入が広がっており、パイオニア株式会社、Aramark、Avendra International、Inetumなどが、多言語でのコミュニケーションや連携に活用しています。また、DeepL Voiceは、Fast Companyの「2026 Next Big Things in Tech」のApplied AI部門にも選出されました。 

DeepLについて 
DeepLは、グローバルビジネスを支える言語インフラを構築するグローバルAI企業です。20万社以上の法人顧客と数百万人の個人がDeepLの言語AIプラットフォームを活用し、言語の壁を越えたコミュニケーションやコラボレーションを実現し、多言語環境での業務遂行を支えています。革新的なAIモデルとエンタープライズレベルのセキュリティおよびプライバシー保護を組み合わせることで、企業や組織が、市場や文化の違いを越えて円滑に事業を展開できるよう支援しています。2017年にCEOのヤレック・クテロフスキーによって設立されたDeepLは、現在約900人以上の従業員を擁し、Benchmark、IVP、Index Venturesなどの有力投資家から支援を受けています。詳しくは www.deepl.com をご覧ください。