HAIV STT・TTS

Name: HAIV STT・TTS
Brand: Timbel（ティンベル）

OVERVIEW

20年・98,000時間の韓国語音声データで学習した自社開発のSTT・TTSエンジンです。エンドツーエンド(E2E)認識エンジンが金融・保険・公共分野の専門用語・固有名詞まで平均0.275秒で正確に文字起こしし(STT)、自社開発のDNNファウンデーションモデルが30文字基準0.3秒以内で感情・速度・言語を調整した、人間のように自然な音声を生成します(TTS)。オンプレミスで動作するため通話・音声データが外部に出ることはなく、Timbel全製品群の音声基盤として、SDK・API・エンジン組み込みですぐに導入できます。

DEMO

HAIVデモ動画

Timbel自社開発の音声エンジンHAIVによるリアルタイム音声認識(STT)・音声合成(TTS)のデモ動画です。

デモを申し込む

WHO IT'S FOR

こんな方におすすめです

韓国語の認識率に満足できない

海外製エンジンは専門用語に弱いのが実情です。98,000時間の韓国語学習で正確に認識します。

音声データを外部に出せない

規制業界では外部送信ができません。オンプレミスで社内環境の中だけで動作します。

エンジンだけを導入したい

自社システムにSTTだけを組み込みたい。SDK・API・エンジン組み込みで提供します。

KEY FEATURES

主な機能

FEATURE

リアルタイム音声認識(STT)

エンドツーエンド(E2E)エンジンが発話の終了を待たずにN音節単位で文字起こしを行い、発話終了検知(EPD)により平均0.275秒で結果を確定します。通話ごとの認識結果・話者分離(送信・受信)・認識率を一覧でひと目で確認できます。

FEATURE

音声合成(TTS)

自社開発のDNNファウンデーションモデルが30文字基準0.3秒以内(RTF 0.1未満)で合成します。声・感情・言語・速度・ピッチを設定して人間のように自然な音声を生成し、その場で再生・ダウンロードできます。

FEATURE

ユーザー辞書管理

記号・略語・外来語・人名・専門用語を任意の読み方に補正でき、Excelファイルで数百件を一括登録(Batch)して、ドメイン別の認識・発話精度を同時に高めます。

FEATURE

評価管理

CER(音節単位)ベースで認識精度を客観的に評価・管理し、専門家でなくてもWeb画面から音響・言語モデルを再学習して精度を継続的に改善できます。

FEATURE

システムモニタリング

STTチャネル・CPU・メモリ・ネットワークなどエンジンの状態をリアルタイムに監視します。DockerベースのMSA(無停止)により、150チャネル以上の大規模トラフィックでも安定して運用できます。

STT · SPEECH-TO-TEXT

音声認識(STT)の特長

E2E Transformerベースのエンドツーエンド型STTエンジンとして、複雑な発話環境でも高い認識率と超低遅延の応答を提供します。

リアルタイムストリーミングと超低遅延応答

リアルタイムテキスト変換 発話の終了を待たずにN音節単位で音声を分割し、即座にテキスト化します。
0.275秒の応答速度 リアルタイム性の測定結果、平均0.275秒の高速応答で会話の流れを維持します。
発話終了検知(EPD)の最適化 Gen AI sLLMのストリーミング応答特性を考慮し、発話終了時点で結果を即時確定します。

インテリジェントな前処理・後処理と可読性向上

ITN(Inverse Text Normalization) 略語・メールアドレス・数字・日付などを「11:45 AM」のような可読性の高い標準表記へ自動変換します。
ドメイン特化辞書管理 ヒント辞書・ユーザー辞書を活用し、専門商品名や業界用語の認識率を高度化します。
話者分離(RX/TX) 顧客とオペレーターの音声を分離して認識し、一つの会話として合成します。

GUIベースの統合学習・性能管理

非専門家向け学習ツール Web画面だけで、専門エンジニアなしに運用者が直接音響・言語モデルを再学習できます。
CERベースの性能評価 音節単位の評価方式(CER)で、学習前後の認識精度を客観的に検証します。
文字起こし専用ツールの提供 学習データ作成のため、音声区間の再生・テキスト修正に対応したワークベンチを提供します。

高可用性のMSA・コンテナアーキテクチャ

柔軟な拡張構造 DockerベースのMaster/Worker構造でチャネル拡張が容易で、マイクロサービスアーキテクチャ(MSA)を適用しています。
無停止のサービス運用 システムを止めずに新しいエンジンモデルへ入れ替えでき、障害時には他のWorkerサーバーへ即時切り替えます。
柔軟なシステム連携 標準API・WebSocketベースの設計で、Voice Gateway・コールボットなど他システムと迅速に連携します。

徹底したデータセキュリティ・個人情報の非識別化

国際標準の暗号化 すべての音声認識結果データにAES256アルゴリズムを適用し、保存・伝送区間のセキュリティを強化します。
リアルタイムマスキング 発話中の電話番号・住民登録番号などの機微情報を自動検知して非識別化します。
ネットワーク分離とアクセス制御 お客様の内部ネットワーク内ですべてのデータを処理し、外部ネットワークへの送信を根本から遮断します。

TTS · TEXT-TO-SPEECH

音声合成(TTS)の特長

DNNファウンデーションモデルにより最小限のデータで感情まで複製し、リアルタイムTTSの限界を超えた、人間のように自然な発話を提供します。

DNNベースのファウンデーションモデルと高品質合成

Transformerアーキテクチャ適用 最新のディープラーニングベースのファウンデーションモデルで、機械音ではなく実際の人間に近い自然な抑揚を実現します。
クリアな音質を保証 高解像度サンプリング技術により、ノイズのないクリーンな音声出力と精緻な発音サービスを提供します。
高品質な応対体験 独自エンジンによる正確なテキスト解析・発話処理で、顧客に違和感のない音声を届けます。

超低遅延のリアルタイムストリーミング技術

0.3秒以内の応答速度 最初の音声出力までの遅延を0.3秒以内(RTF 0.1未満)に短縮し、途切れのないリアルタイム対話環境を支えます。
文章分割合成 文章全体が完成する前からテキストをリアルタイムに分割合成し、LLMのストリーミング応答と完璧に調和します。
大規模トラフィックでの安定性 150チャネル以上の高負荷状況でも処理速度を落とさず、一貫した合成品質と応答性能を維持します。

ボイスクローニングと感情表現技術

Less-DATA学習 約2〜20時間の少量データだけで特定ナレーターの声質を精緻に複製し、ブランド独自の声を生成します。
マルチスタイル制御 共感・謝罪・喜びなど、応対の文脈に応じた多彩な感情トーンを適用し、状況ごとに最適化された顧客フレンドリーな応対を実現します。
精密なパラメータ調整 合成段階で速度(Speed)・ピッチ(Pitch)・ボリュームなどをリアルタイムに微調整し、発話品質を最大化します。

大規模話者ライブラリと専用ペルソナ

豊富な話者ラインアップ 性別・年齢層で分類された数千名の固有話者ライブラリにより、サービス特性に合った声の選択肢を提供します。
ブランドペルソナの構築 企業のブランドイメージに最適化した専用ナレーターボイスを開発し、一貫したブランドアイデンティティを伝えます。
多言語への拡張性 韓国語だけでなく、グローバル対応のための多言語合成エンジンに対応し、多様なサービス環境に柔軟に対応します。

インテリジェントなテキスト解析と発音最適化

ドメイン前処理 数字・英語・特殊文字が混在する複雑な文章も、業界特有の文脈を解析して正確に読み上げる技術を搭載しています。
自然な文脈処理 意味単位の区切り読みと文章構造に応じたポーズ処理を自動で行い、情報伝達力と聞き取りやすさを高めます。
ユーザー発音辞書 略語・専門用語などについて、運用者が発音方法・イントネーションを直接設定できる管理機能を提供します。

標準インターフェースと統合管理環境

標準API連携 gRPC・REST APIなどの標準プロトコルに対応し、コールボット・sLLM・メディアサーバーなど外部システムと迅速に連携します。
WebベースのGUI統合管理 直感的な管理画面で、合成履歴の照会・エンジン状態のモニタリング・性能統計をリアルタイムに管理します。
マルチフォーマット対応 WAV・MP3・PCMなど多様なオーディオフォーマットとサンプルレート(8kHz/16kHz)に対応し、システム環境に応じた最適な出力を保証します。

PRODUCT TOUR