音声AIの基盤技術を作った4人が起業 — Nvidia支援で$100M調達、Gradiumの狙い

OpenAIの音声合成、ElevenLabsの音声クローン、その他多くの音声AIサービス。これらの製品を支える基盤技術をたどると、2つの研究論文に行き着く。MetaのEnCodecとGoogleのSoundStreamだ。

その2つの論文を書いた研究者たちが、自ら音声AI企業を立ち上げた。

Gradiumはパリを拠点とする音声AIスタートアップで、7月9日にNvidiaからの追加出資を受け、シードラウンドの総額が$100M（約150億円）を突破した。2025年12月の$70M（FirstMark Capital、Eurazeo主導、エリック・シュミット参加）に、Nvidiaが約$30Mを上乗せした形だ。

「論文の著者」が作る会社

Gradiumの強みは技術ではなく、技術を生んだ人間にある。

CEOのNeil Zeghidourは元Google Brain・Google DeepMind・Meta研究者。CTOのOlivier Teboulも同じくDeepMindとMetaを経ている。CSOのAlexandre Defossezは元Meta。CCOのLaurent Mazareは元Jane Street・Google。4人はフランスのAI研究ラボKyutaiの創設メンバーでもある。

彼らが開発したEnCodec（ニューラルオーディオコーデック）とSoundStreamは、音声を効率的に圧縮・再構成する基盤技術として、現在の音声AI製品の多くに組み込まれている。さらに、世界初のフルデュプレックス（同時発話・聴取）音声対話モデル「Moshi」もこのチームの研究成果だ。

つまりGradiumは、業界の基盤を作った研究者たちが「次は自分たちで製品を作る」と決めた会社ということになる。

レイテンシで圧倒的な差

ベンチマーク数値は明確にGradiumの優位を示している。

テキストから音声が出るまでの時間（TTFA）は155ms。ElevenLabs Turbo v2.5の264msを大きく下回り、OpenAI TTS-1-HDの2,295msとは次元が違う。単に速いだけでなく、レイテンシのばらつき（IQR）が2msと驚異的に安定している。ElevenLabsは28ms、Cartesia Sonic-3は100ms。負荷がかかってもパフォーマンスが崩れにくい。

音声認識の精度（WER）も3.3%で、ElevenLabsの5.2%、Deepgram Aura-2の6.4%を上回る。独立系ベンチマークCovalの2026年5月のテストで、主要3指標すべてで1位を獲得した。

こうした数字の裏にあるのが「オーディオ言語モデル（ALM）」というアプローチだ。多くの音声AIがテキストベースのLLMを音声に適応させているのに対し、Gradiumのモデルは音声データにネイティブで対応するよう設計されている。Moshiの研究から直接つながる設計思想だ。

音声APIだけではない

GradiumはクラウドAPIだけでなく、5つのデプロイ形態を提供する。クラウド、推論パートナー経由、専用インスタンス、プライベートクラウド、オンプレミス。すべて同じAPIで動く。ElevenLabsやOpenAIがクラウドのみなのに対し、エンタープライズの柔軟性で差をつけている。

2026年4月に発表されたオンデバイスモデル「Phonon」も興味深い。パラメータ数1億、CPUのみで動作し、ネットワーク接続なしでリアルタイム音声合成が可能。Android、iOS、ブラウザに対応する。車載システムでの利用が想定されており、実際にルノーとフランスのラジオ局RMC BFMは、Gradiumの音声クローン技術を使った世界初のAI生成パーソナライズドラジオをコネクテッドカーに導入している。

料金は無料枠（月45,000クレジット、約1時間のTTS相当）から$1,615/月まで。エンタープライズはカスタム。LiveKitやPipecatなどの音声エージェントフレームワークとの統合も用意されている。

ElevenLabsとの正面衝突にはならない

率直な見立てとして、GradiumとElevenLabsは同じ「音声AI」の括りにいるが、得意領域が違う。

ElevenLabsの強みは70以上の言語対応、スタジオ品質のオーディオブック・吹き替え・ポッドキャスト制作。消費者向けクリエイティブ市場でのブランド力は圧倒的だ。対するGradiumはリアルタイム音声エージェントと会話型AIに特化しており、対応言語は英語・フランス語・スペイン語・ドイツ語・ポルトガル語の5言語にとどまる。

5言語は正直かなり少ない。日本語対応がないのは、日本のユーザーにとって当面はElevenLabsやDeepgramが実用的な選択肢であることを意味する。

ただし、Gradiumの本当の競合はElevenLabsではなく、「音声エージェントの推論基盤をどこに置くか」という問いだろう。155msのレイテンシと2msの安定性は、カスタマーサポートの音声ボットや車載AIなど、レスポンスの遅れが致命的な用途で価値を発揮する。Nvidiaの出資もその文脈で理解できる — 推論チップとの最適化がセットになる。

音声AIの市場が「汎用クリエイティブツール」と「リアルタイム推論基盤」に分岐しつつある中で、Gradiumは後者の最有力候補として登場した。基盤技術の生みの親が自ら製品化に乗り出した以上、この動きを無視するのは難しい。