ノイズ混じりの音声を正確に文字起こし、5GB未満の「Mega ASR」公開
ノイズや反響などの過酷な音響環境に特化した音声認識モデル Mega ASR が公開された。260 万件の実環境データで訓練され、既存の主要モデルと比べて難条件下で約 30% 性能が向上。全体で 5GB 未満と軽量で、一般的な GPU でもローカル実行や微調整が可能となっている。
オンデバイスAI
新しいニュースを見る
マイクロソフトが法人向け新Surface発表：Core Ultra 3搭載でオンデバイスAI強化
MicrosoftはIntel Core Ultraシリーズ3を搭載した法人向け「Surface Pro」および「Surface Laptop」を発表しました。会議のリアルタイム文字起こしや端末上での画像生成に対応し、最長23時間の駆動時間を実現。一部構成にはボタン一つで切り替わる覗き見防止スクリーンも搭載されます。
AppleがAIアクセシビリティ機能を予告：視線で車椅子操作、自然言語での音声操作も
AppleはApple Intelligenceを活用した新たなアクセシビリティ機能を発表しました。VoiceOverや拡大鏡での詳細な画像解説や対話、自然言語による音声コントロール、オンデバイスでの動画字幕自動生成などが年内に提供予定です。Vision Proによる視線での電動車椅子操作にも対応します。
Tencent、翻訳特化モデル「HYMT2」を公開 最小1.8Bでスマホ動作にも対応
Tencentは多言語翻訳モデル群「HYMT2」をオープンソース公開した。18億から300億パラメータまで展開し、33言語に対応する。指示追従と構造維持に長けており、タグやJSONの書式を壊さずに翻訳できるのが強み。最小の1.8Bモデルはスマートフォン上でも軽快に動作する。
ReactiveGWM公開：動画生成ゲーム世界モデルのNPCを指示文で操れるように
ゲーム世界モデルReactiveGWMが公開された。プレイヤーのキー操作とNPCの行動方針を分離し、プロンプトで相手の攻守戦略を制御できる。Wan 2.2をベースにしており、中上位GPUでローカル実行が可能だ。
Kimiがブラウザ拡張機能を公開：AI AgentがChromeを直接操作
KimiはAIエージェント向けブラウザ拡張機能（旧Kimi WebBridge）を公開しました。ChromeやEdge上でクリック、入力、スクレイピングを自動実行できます。サンドボックスではなくローカルの既存ブラウザを連携させるため、ログイン状態を維持したまま安全に作業を任せられます。
ModelBestがMiniCPM-V 4.6を公開：1.3Bモデルが6GBメモリで動作
ModelBestらはエッジ向けマルチモーダル大モデル「MiniCPM-V 4.6」をオープンソース公開した。パラメータ数は 1.3B で、約 6GB のメモリがあればスマートフォンなどの端末上で快適に動作する。Qwen3.5-0.8B を上回る性能を示しつつトークン消費量を大幅に削減し、オンデバイス展開のハードルを引き下げた。
Google、Android向け「Gemini Intelligence」発表 アプリ横断の自動操作や生成ウィジェットに対応
GoogleはAndroid向け「Gemini Intelligence」を発表した。複数アプリを跨いだタスクの自動化、話し言葉を自然に整える「Rambler」、自然言語でホーム画面ウィジェットを生成する機能などを搭載する。今夏よりGalaxy S26やPixel 10向けに順次提供され、年内に対象端末を拡大する予定だ。
MacBookでAIエージェントを動かし続ける裏ワザ、仮想ディスプレイプラグが人気に
開発者のWill DePue氏がXで投稿した、MacBookを閉じたままAIエージェントを稼働させ続けるためのダミープラグ活用法が話題を呼んでいる。USB-CやHDMIの端子に差すだけで外部ディスプレイ接続と誤認させ、スリープを防ぐ仕組み。コマンド操作より抜き差しだけで休止できる物理スイッチの手軽さが受けている。
Rivian、車載AI「Rivian Assistant」提供開始 車高調整やGoogleカレンダー連携に対応
Rivianは車両向けAI音声アシスタント「Rivian Assistant」を発表した。第1世代および第2世代車両向けに配信され、車高調整やフランクの開閉といったハードウェア操作から、Googleカレンダーの予定調整や到着連絡まで一連の動作として実行できる。利用にはConnect+契約が必要で、現在は英語のみ対応。
「Pixal3D」公開：ピクセル整合で超高精度な3Dメッシュを画像から生成
単一画像から高精度な3Dモデルを生成する「Pixal3D」のコードが公開された。2Dピクセルと3D構造を直接対応付けるピクセル整合手法により、従来の曖昧な生成処理を大幅に改善。ゲームや映像制作にも耐えうる、実測再構成レベルの忠実な3Dメッシュを出力できる。
2BパラメータのオープンソースTTSモデルが登場、数秒の音声で声色やささやき声まで再現
20億パラメータのオープンソース音声合成モデルが公開された。わずか数秒の音声からゼロショットで声色を複製でき、ささやき声や吃音といった細かなニュアンス、他言語での発話にも対応する。サイズは約5GBで民生用GPUで動作し、Apache 2.0で商用利用も可能だ。
Scenema Audio 公開：ト書きで感情を操る LTX 2.3 ベースの音声モデル
ScenemaAI が表現力豊かな音声生成モデル「Scenema Audio」をオープンソース公開しました。LTX 2.3 から抽出した拡散モデルを基盤に、指示タグで感情変化や環境音を制御でき、ゼロショット音声クローンにも対応。16GB の VRAM から動作可能です。
Perplexity、Mac向け「Personal Computer」公開 ローカルファイルやアプリを自律操作
Perplexityは新macOSアプリで「Personal Computer」を提供開始した。AIエージェントがローカルファイルやMacネイティブアプリ、Webを横断して自律作業を行う。iPhoneからの遠隔操作や承認に対応するほか、常時稼働のMac miniと連携させることで24時間バックグラウンドで動く作業ハブを構築できる。
Apple Intelligence機能の遅延を巡り、Appleが約2.5億ドルで集団訴訟と和解
Appleは、iPhone 16およびiPhone 15 ProでのApple Intelligence機能提供を巡る誇大広告の集団訴訟で、2億5000万ドルの和解金支払いに合意した。米国の対象購入者は端末1台あたり25〜95ドルを受け取れる見込み。Appleは不正行為を否定している。
Google、Gemma 4向け「MTP」ドラフトモデル公開：推論速度が最大3倍に
Googleはオープンモデル群「Gemma 4」向けにMulti-Token Prediction（MTP）ドラフターを公開した。投機的デコーディングにより、軽量ドラフトモデルが先読みした複数トークンをターゲットモデルが一括検証することで、精度を落とさずに最大3倍の推論高速化を実現する。Apache 2.0ライセンスで提供され、ローカルやエッジ環境での実用性が大きく向上する。
MIT、身体の動きをリアルタイム誘導するウェアラブルAIを開発
SciTecheraが伝えたところによると、マサチューセッツ工科大学が身体の動きをリアルタイムで誘導するウェアラブルAIを開発した。楽理の知識が一切なくても、AIの制御により指を動かしてピアノを演奏できるという。
Google、実験的AIアプリ「COSMO」を誤公開：Gemini Nano内蔵の自律型アシスタント
Google が Play ストアに実験的な Android 向け AI アシスタント「COSMO」を誤って公開し、その後すぐに取り下げました。1.13 GB のアプリ内に Gemini Nano を内蔵し、ブラウザ操作やリサーチの自動化、記憶の呼び出しに対応しています。現在は非公開となっています。
OmniShotCut：動画のカットや各種トランジションを高精度検出、164MBの軽量モデル
OmniShotCutは、動画内のカットやディゾルブ、フェード、スライドなどのトランジションを自動検出しタイムスタンプを特定できる軽量AIツールです。モデルサイズはわずか164MBでローカル動作に対応し、Hugging Face Spaceで無料デモも公開されています。
Scenema Audio公開：声質と感情を分離、ト書きで演技を指示できる音声クローン
Scenema AIが音声生成モデル「Scenema Audio」をオープンソース公開しました。動画モデルLTX 2.3から抽出され、声の特徴と感情表現を分離。短い音声参照からプロンプトのト書きだけで怒りや方言の変更、台詞の途中での感情変化を表現できます。量子化版は16GB以上のVRAMでローカル実行が可能です。