ElevenLabsとNVIDIA、企業と政府向け音声エージェントの世界的展開に向け協業を拡大

ElevenLabsの共同創設者兼CEOであるMati Staniszewski氏は、音声エージェントが重要なインフラとなりつつあり、企業は「安全で効率的、信頼性が高く、自社データを管理下に置いた」形で運用できる必要があると述べています。同氏は、ElevenLabsの音声モデルとエージェントを、NVIDIAのLLM（大規模言語モデル）、高速コンピューティング、セキュリティスタックと組み合わせることで、これらのエージェントを「非常に大規模に」展開する手段となると説明しています。NVIDIAの創設者兼CEOであるJensen Huang氏は、変化を次のように要約しました。「何十年もの間、私たちはキーボード、画面、メニューを使ってコンピュータに適応してきました。今日、コンピュータは私たちの言語を話すことを学んでいます。」

NemotronがElevenAgentsで利用可能なモデルに加わる

オープンモデルであるNemotronは、エージェント的タスク、すなわちモデルが推論し、ツールを使用し、複雑な多段階タスクを効率的に実行する必要がある作業向けに設計されています。企業はこれらを、ElevenLabsの多言語対応で低遅延の音声モデルと組み合わせ、音声エージェント用のモデルシステムを構築することができます。

現実的なカスタマーサポートタスクに焦点を当てたElevenAgentsベンチマークにおいて、ElevenLabsによれば、Nemotron 3.5 Super VLは、財務計算や請求書分析を含むエンドツーエンドのタスク達成精度で最高の結果を示し、他の主要オープンモデルと比較してコストを70%削減しました。このモデルは、より単純なタスクでは推論を無効化することができ、同社によれば、これによりプラットフォーム上で最も高速な3つのモデルの一つとなっています。さらに、Nemotronオープンモデルは、各組織固有のデータと専門知識を用いた追加学習の対象とすることができ、ElevenLabsの顧客はこれらのカスタマイズ版をElevenAgents内で利用できます。

増強されたキャパシティとポーランドでの展開

大規模顧客の需要に対応するため、ElevenLabsはオンプレミスインフラストラクチャを拡張しています。同社は、既存のNVIDIA Blackwell Ultraシステムに加えて、次世代のNVIDIA Vera Rubinを15MW分追加する計画です。このキャパシティは、厳格なセキュリティ要件やデータレジデンシー要件が課せられる大規模な展開もサポートする予定です。

両社は2022年から協業しており、ElevenLabsの最初の音声合成モデルはNVIDIA GPUで学習されました。2024年以降、NVIDIAは主要イベントにおける50本以上のビデオのナレーション制作にElevenLabsの技術を採用しており、Jensen Huang氏の基調講演の翻訳版も含まれます。2025年には、NVIDIAはElevenLabsの戦略的投資家にもなりました。

主権的展開の第一弾となるポーランドでは、ElevenLabsの音声モデルとNVIDIAのインフラストラクチャが、国民電子健康プラットフォームの中央予約システム「Centralna e-Rejestracja」の音声エージェントを稼働させています。このソリューションはEasyCallによってサポートされています。このエージェントは固定電話しか持たない患者に電話をかけ、予約をリマインドし、変更を支援します。年間4000万件の予約があり、10〜20%の欠席率がある中で、たとえわずかでも診療の欠席を減らすことが、医療へのアクセス改善につながります。この仕組みは、NVIDIA Confidential Computingを利用したオンプレミス環境で動作し、市民のデータと音声を処理中に保護し、公共インフラストラクチャ内に保持します。

物理的AIを支える音声

産業、自動車、製造分野の企業が、ロボティクスや物理的AI向けの組み込み音声AIを模索する中、ElevenLabsとNVIDIAは、人々と、日常的に使用する機械、ロボット、車両との間の自然な対話を容易にする取り組みを進めています。想定されるアプリケーションには、重工業機械の音声制御、生産ライン上のロボットとのハンズフリーでの対話、さらにはドライバーやオペレーターが自身の車両と話す機能などが含まれます。