音声AI:Sunoのデータ侵害とASRツールの進展

Sunoのトレーニングデータとユーザー情報が侵害されました。
Key insights
Sunoが侵害され、トレーニングコードと大規模な音声データがアクセスされる
Sunoでのセキュリティインシデントは、攻撃者がShai-Huludというワームを使用して従業員の資格情報を取得し、会社のシステムにアクセスしたことに関与しています。侵入者は、YouTube Musicから113,879時間、Pond5から62,117時間、Deezerから12,287時間の音声コンテンツのリストを含むトレーニング関連のソースコードを取得しました。報告によると、Sunoは約1,000,000時間のポッドキャストをダウンロードする計画を持っていました。この侵害により、ユーザーの連絡先情報や支払い関連の記録も露出しました。
侵害されたデータにはユーザーのメール、電話、支払い情報が含まれる
Sunoでの侵入により、ユーザーのメールアドレスや電話番号、Stripeに関連する支払い情報が露出したと報告されています。数十万人のユーザーが影響を受け、一部のカード情報が侵害時にアクセスされた資料に含まれていることが指摘されました。
Qwen3 ASRとForcedAlignerが小型モデルで正確なタイムスタンプを生成
Qwen3自動音声認識とQwen3-ForcedAlignerモデルのテストにより、正確な単語レベルのタイムスタンプが生成されました。評価者は、0.6bのQwen3モデルがローカルでのリソース使用を抑えながら良好な文字起こしと強制アライメントの精度を提供したと報告しました。この構成は、以前のツールでのタイムスタンプの不整合といった典型的な問題に対処しました。
スピーカー認識とクラウドサービスが補完的なソリューションとして言及される
オープンソースのスピーカー認識ツールであるPyannoteとWeSpeakerがスピーカー識別のオプションとして挙げられ、複数のスピーカーが重なる場合には制限があるとされています。報告では、より高品質な文字起こしと迅速な処理が有料のクラウドサービスを通じて提供されていることが指摘され、商業的な代替としてVolcano Engine上のDoubao認識モデルが例として挙げられました。