Meta、Museアプリにリアルタイム音声と表情豊かなアバターを追加
MetaはMuseアプリ（モバイル、ウェブ、Mac）でリアルタイム音声と表情豊かなアバターの提供を開始しました。会話のトーンに合わせた表情や身振りを返し、途中で話を遮ることも可能で、数百種類の音声を用意。米国ユーザーから順次提供され、今後はAIグラスにも展開予定です。
AI音声
Google「Antigravity」更新：Gemini Live音声モードとリモートAgentに対応
GoogleのAntigravityがv2.29.0へアップデートされ、Gemini Live搭載の音声モードを追加した。音声でAgentにタスクを依頼できるほか、Google AI UltraおよびPro加入者向けにクラウド上で実行するリモートAgentの展開も開始された。現在順次提供中。
Bayworks、口述で自動車保証請求書を自動作成する技術者向けアプリ提供
Bayworksは、自動車整備士が修理内容を口頭で話すだけでメーカー保証請求用の報告書を自動生成するアプリを公開した。測定値などの必須項目が不足している場合は提出前に音声で追記を促す。YC支援の同社は110日間で80店舗以上のディーラーに導入され、1日4000件の修理を処理している。
Apple Watchに「音声知能」登場：直前15秒の会話テキスト化やSiri要約に対応
AppleはwatchOS 27.3の開発者向けベータ版で「Audio Intelligence」のテストを開始した。Digital Crownを2回押すと直前15秒の会話がテキストで振り返れるほか、Siriが会話の要点を自動要約する。音声は専用ハードウェアで処理され保存されない設計で、現在は開発者向けに提供されている。
Hume AI、音声の感情や特徴を直接判定する「Audio Decision API」公開
Hume AIは生の音声データを直接解析して感情や音の特徴を判定する「Audio Decision API」を発表した。文字起こしを介さず、「顧客が苛立っているか」「AI音声か」といった質問に構造化スコアで即答し、4万件の録音データを数分で検索できる。テキストには残らないため息やトーンをリアルタイムで捉えられるのが強みだ。
音声合成モデル「Audio8-TTS-Realistic」公開：6億パラメータで23言語の音声クローンに対応
Edge0 がテキスト音声合成モデル「Audio8-TTS-Realistic」をオープンソース公開した。6 億パラメータ・容量 2.6GB と小型ながら、数秒の音声から 23 言語のゼロショット音声クローンが可能。Apache 2.0 ライセンスで商用利用に対応し、一般的な民生用 GPU でも動作する。
NVIDIAがNemotron 3.5 Transcribeを公開：8人の話者分離とプロンプト指示に対応
NVIDIAはオープンウェイトの音声モデル「Nemotron 3.5 Transcribe」を公開した。文字起こし、最大8人の話者分離、翻訳、音声Q&Aを1つのモデルに統合し、40言語と最長1時間の音声に対応する。300億パラメータのMoE構造で動作時の負荷を約40億に抑え、主要なオープンベンチマークで首位を獲得した。
Bygga：イケアの紙の説明書を対話型3Dアニメーションに変えるオープンソースツール
開発者の Nutlope 氏がイケアの組み立て説明書を対話型 3D ガイドに変える「Bygga」を公開しました。1,171 点の製品をオフラインでサポートし、音声操作で「次へ」と進められるため作業中に手を離す必要がありません。未収録製品も Together AI を通じてスキャン・解析可能です。
Tencent Hunyuan、音声クローン対応の中英同時通訳モデル「Hy-SimulMT」を公開
Tencent Hunyuanは中英双方向のリアルタイム同時通訳モデル「Hy-SimulMT」をオープンソース公開した。発言と並行してテキストと音声を約3秒の遅延で生成し、話者の声色を再現する音声クローンにも対応。推論と微調用コードがGitHubで提供されている。
Blockが音声モデルDessa発表：テキスト介さず会話を耳から習得
Blockはテキストや事前学習モデルに頼らず、人間の音声を聞くだけで対話を学んだ音声モデル「Dessa」を発表した。全二重通信で相づちや感情、呼吸まで再現し、一般PCでもローカル動作する。現在はAI安全研究者向けに限定公開されている。
清華大が「Falcon」公開：唇の動きから特定の話者の声をリアルタイム抽出
清華大学の研究チームが話者抽出モデル「Falcon」をオープンソース公開した。カメラの口元映像と音声を連動させ、騒音下でも狙った人物の声だけをリアルタイム抽出する。付属の Falcon Studio をノート PC で動かせば、Zoom や Tencent Meeting に直接クリアな音声を流せる。
GradiumがオンデバイスTTS「phonon-31m-en」公開：64.5MBでブラウザ内でも動作
Gradiumが軽量な英語音声合成モデル「phonon-31m-en」を公開した。Pocket TTSとMimiコーデックを基盤にしており、8ビット量子化後のファイルサイズはわずか64.5MB。スマホやブラウザ上でオフラインかつストリーミング再生可能で、Apache 2.0ライセンスで商用利用にも対応する。
ElevenLabs、プロ声優と連携した新デフォルト音声を公開 表現力と音質を向上
ElevenLabs は音声合成および Projects Alpha 向けに新しいデフォルト音声を公開した。プロの声優と提携し、30 分の録音データを基にした高品質音声クローン技術で制作。アイルランドやイタリアなどのアクセントや多彩な感情表現に対応した。同社は著作権を保持せずライセンス契約を結んでおり、生成ごとの報酬モデルも検証中だという。
ElevenLabsが「Chimera」公開：音声と動画生成を統合した新ワークフロー
ElevenLabsは音声と動画の制作フローを統合する新プラットフォーム「Chimera」を発表しました。独自の音声生成や吹き替え技術にSeedanceなどの動画生成ツールを組み合わせ、アプリ内から一連のAI音動画ワークフローを構築できます。
わずか163MBの音声認識「Bark 3.0」登場、5分の音声を0.5秒で文字起こし
今週、Underdogが音声認識モデル「Bark 3.0」をHugging Faceで公開した。サイズはわずか163MBながら、Apple Silicon上で5分の音声を半秒で処理できる。Whisper Largeを上回る精度を誇り、不要な相槌を自動除去するバージョンも用意されているが、現在は英語のみの対応となる。
MistralがVoxtral 3を発表：50言語対応の音声モデル群と音声エージェントSDKを提供
Mistralは音声モデル群「Voxtral 3」と音声エージェントSDKを発表した。リアルタイムの書き起こし、推論、ツール呼び出し、感情適応型音声合成を統合し、1ターン1秒未満で応答する。50言語以上に対応し、自社インフラへの自己配備も可能。
Yelpが新機能：AIが代わりにレストランへ待ち時間を電話で確認
米YelpはAIがユーザーの代わりに飲食店へ電話をかけて待ち時間を確認し、テキストメッセージで結果を知らせる「Check for Me」を発表した。OpenTable連携によるアプリ内予約や、月額30ドルの事業者向け問い合わせ自動対応機能も導入される。
Ant Groupが「Ming 3.0 TTS」を公開：自然言語での声質制御やポッドキャスト生成に対応
Ant Group は音声合成モデル「Ming 3.0 TTS」を MIT ライセンスでオープンソース公開しました。自然言語によるトーン調整や音声クローンに対応し、約 3GB の軽量版は一般向け GPU で動作します。
Amazon傘下のBee、74.99ドルからのAIウェアラブル2種を発売
Amazon傘下のBeeは日常の会話を記録・要約するAIデバイス「Bee Frontier」と「Bee Eclipse」を発表しました。74.99ドルからと競合より手頃で、自動でToDo作成やGmail連携が可能です。音声データは処理後に即時削除され、端末側で暗号化されます。
xAI、音声モデル「Grok Voice 3.0」公開 応答1秒未満、Starlink顧客対応の7割を自動化
xAIは音声対話AIモデル「Grok Voice 3.0」を発表した。Artificial Analysisの評価で首位となる86.9点を記録し、遅延は1秒未満に抑えた。すでにテスラ車内やStarlinkのサポートで稼働しており、1日2万件の問い合わせの約7割を無人で完結させている。API価格は1分あたり0.08ドル。