Voicebox：音声クローンと文字起こしをローカルで完結するオープンソースAI
オープンソースのローカル音声アプリ「Voicebox」がGitHubで4.2万以上のStarを獲得し、注目を集めています。数秒の音声から声を複製できるほか、グローバルショートカットであらゆる入力欄に音声入力でき、Claude Code等のエージェントへの組み込みにも対応。有料サービスに頼らずローカル環境で音声ワークフローを構築できます。
AI音声
新しいニュースを見る
マイクロソフトが音声認識モデル「VibeVoice-ASR」を公開、最長60分を一括処理
マイクロソフトが9Bサイズの音声認識モデル「VibeVoice-ASR」をオープンソースで公開した。音声を細切れにせず最長60分の一括処理が可能で、文字起こし・話者分離・タイムスタンプ出力を統合。長時間の会議やポッドキャストでも文脈が途切れず、微調整にも対応する。
アリババが「Qwen3-TTS」をオープンソース公開：97msの超低遅延で即時音声クローン
アリババがオープンソースの音声合成モデル「Qwen3-TTS」を公開した。わずか数秒の音声から声色を再現できるほか、プロンプトで新しい声を生成することも可能。遅延97ミリ秒のデュアルトラック設計を採用し、多言語や方言のリアルタイム出力に対応する。
Adobe Acrobatが進化：PDFから「ポッドキャスト」を自動生成、チャット指示で文書編集も
AdobeはAcrobat Studioに生成AI新機能を追加した。長文PDFや会議の文字起こしを音声ポッドキャストやスライドに要約できるほか、チャットへの指示でページの削除や署名追加などの文書編集が可能になった。音声生成にはMicrosoftとGoogleのモデルを採用している。
脳手術なしで話せる：首元AIデバイスが喉の振動を読み取り自然な会話を復元
研究チームが『Nature Communications』で首掛け型の「インテリジェント・スロート」を発表した。喉の微細な筋肉振動と脈拍をセンサーで捉え、LLMを通じて脳卒中患者の無発話動作を感情の乗った自然な文章にリアルタイム変換する。侵襲的な脳インプラントが不要な点が画期的だが、現状は小規模な検証段階にとどまる。
Adobe、Acrobat AI Assistantを提供開始：長文PDFをポッドキャストやスライドに変換
Adobe は PDF や長文文書を解析・活用できる「Acrobat AI Assistant」を発表した。出典リンク付きの要約に加え、ポッドキャスト風の音声概要やインタラクティブなプレゼン資料を素早く生成できる。既存の Reader や Pro ユーザーはログインするだけで試用でき、データはモデル学習に使われない。
FlashLabs、音声対話モデル「Chroma 1.0」を公開：リアルタイム対話と音声クローンに対応
FlashLabsは、エンドツーエンドのリアルタイム音声対話モデル「Chroma 1.0」をApache-2.0ライセンスでオープンソース公開しました。テキストを介さず音声を直接理解して合成音声を生成でき、参照音声を用いた声色クローンにも対応します。Qwen2.5-OmniとLlama 3をベースにしており、現在は英語に対応しています。
NVIDIAが音声AI「PersonaPlex」発表：割り込み対話に対応、声と役割を自在に設定
NVIDIAは全二重音声対話モデル「PersonaPlex」を発表した。聞き取りと発話を同時に行い、自然な割り込みや相づちを低遅延で実現する。テキストの役割指定と短い参照音声を与えるだけで、任意の声質とキャラクターを忠実に保ったまま対話できるのが大きな強みだ。
KyutaiのPocket TTS：1億パラメータでCPUリアルタイム動作する音声合成
KyutaiがCPU向け軽量音声合成モデル「Pocket TTS」をオープンソース公開。1億パラメータの省サイズ設計でGPUを必要とせず、MacBook Air M4の2コアで約6倍速のリアルタイム生成と200msの低遅延を実現。音声クローンや長文朗読にも対応する。
AppleがGoogleと提携、次世代Siriと独自AIの基盤にGeminiを採用へ
AppleとGoogleは複数年の提携を正式発表し、次世代Siriや基礎モデルの駆動にGeminiを採用することを明らかにした。年間約10億ドルの契約と報じられている。自社完結にこだわってきたAppleが中核AIを競合に委ねる異例の判断で、ChatGPTとの提携も継続される見込みだ。
NovaSR：わずか52KB、実時間の3500倍速で音質を向上させる超小型音声モデル
開発者の yatharthsharma3501 氏が超軽量な音声アップサンプリングモデル「NovaSR」をオープンソース公開した。サイズは約 52KB で、10 層未満の畳み込み層により単一 A100 上で実時間の 3600 倍速を達成。16kHz の音声を 48kHz の高音質に変換でき、エッジ機器やリアルタイム処理に向く。
アリババが「Qwen3-TTS」発表、3秒で声クローンや指示文での声色作成に対応
アリババのQwenチームが音声合成モデル「Qwen3-TTS」を発表した。テキスト指示で口調や感情を自在に設計できるVoiceDesignと、わずか3秒の音声から10言語で声を複製できるVoiceCloneをラインナップ。多言語テストではElevenLabsより単語誤り率が15%低いとしている。
快手、動画生成「Kling 2.6」に音声制御と高精度モーション操作を追加
快手は動画生成モデル「Kling 2.6」に音声制御とモーション制御の大型アップデートを実装した。自分の音声を登録して複数カットで一貫したキャラ声を出せるほか、対話や歌にも対応。武術やダンスなど激しい動きでも手の崩れを抑え、唇の同期も自然に保てる。
xAIが「Grok Voice Agent API」公開、1分0.05ドルで超低遅延音声を提供
xAIは開発者向けに「Grok Voice Agent API」の提供を開始した。自社開発の音声スタックにより応答遅延は1秒未満に抑えられ、料金は1分あたり0.05ドルの定額制。OpenAIのRealtime API仕様と互換性があり、テスラ車載システムで鍛えられた多言語対応のリアルタイム音声エージェントを自社アプリに組み込める。
Amazonが「Alexa+」提供開始 Webブラウザでのチャットに対応、Prime会員は無料
Amazonは生成AIを統合した新アシスタント「Alexa+」を発表しました。文脈を維持した自然な対話や端末間の引き継ぎに加え、alexa.amazon.com上でのテキストチャットに対応。Prime会員は無料で全機能を利用可能で、非会員もWebやアプリで日次の無料枠を試せます。現在は米国の英語・スペイン語に対応しています。
GoogleがGeminiの音声モデルを刷新、翻訳アプリにリアルタイム通訳ベータを追加
Googleは音声モデル「Gemini 2.5 Flash Native Audio」の更新を発表した。外部機能呼び出しや複数ターンの会話精度を大幅に向上。さらにGoogle 翻訳アプリには、話者の抑揚を保ちながらイヤホンで聴けるリアルタイム双方向通訳ベータが追加された。
ピクサー風の卓上ロボットランプ「Ongo」登場、初期100台の予約開始
Interaction Labsは卓上ロボットランプ「Ongo」を発表し、初期100台の先行予約を開始した。『トイ・ストーリー』の脚本家が動作設計を担当。視覚・音声認識を備え、自動調光やリマインドのほか、プライバシー用のサングラスも用意される。
ChatGPTの音声会話がチャット画面に直接統合、画面を見ながら話せるように
OpenAIはChatGPTの音声機能を個別の専用モードではなく通常のチャット画面内に統合したと発表した。話しながらテキスト回答の生成を見たり、過去の履歴や画像、地図などをリアルタイムで確認できる。モバイルアプリおよびウェブ版の全ユーザーに向けて順次提供されている。
Google、Android Auto に「Gemini」を提供開始：メール要約や自由な対話に対応
Google は Android Auto 向けに会話型 AI「Gemini」の展開を開始した。定型コマンドを覚える必要がなくなり、自然な会話で立ち寄り先の検索や未読メールの要約、メッセージの推敲が可能になる。Gemini Live による音声対話にも対応し、世界 45 言語で順次提供される。
ElevenLabsが画像・動画生成ツール公開、SoraやKlingを統合
ElevenLabsは制作ツール「ElevenLabs Image & Video（Beta）」を発表した。VeoやSora、Kling、Fluxなどの主要モデルで画像や動画を生成し、同社の音声や背景音楽、効果音と組み合わせてリップシンク付きの動画をStudio上で一元編集できる。