Google 翻訳にGemini活用：70言語超のリアルタイム対話と語学練習が追加
GoogleはGoogle 翻訳アプリにGeminiを活用した2つの新機能を追加したと発表した。70以上の言語に対応し、声のトーンや間を認識して自動で双方向通訳する「Live translate」と、個人のレベルに合わせた対話型の語学練習機能が利用できる。リアルタイム通訳は米国、インド、メキシコで先行提供される。
AI音声
新しいニュースを見る
Google「NotebookLM」、動画概要を80言語に拡大 音声概要も長尺・詳細版に対応
GoogleはNotebookLMの「動画概要」を80以上の言語に対応させたと発表した。さらに英語以外の「音声概要」も従来の短いハイライトから長尺版へと刷新され、英語と同等に深く掘り下げた解説が可能になった。今週中に全世界へ展開される。
テスラが中国でAI音声アシスタント刷新、DeepSeekとByteDanceの豆包を採用
テスラは中国向けEVに新音声アシスタント「Hey Tesla」を導入した。車両制御やナビをByteDanceの「豆包」、雑談や情報検索をDeepSeekが分担する。8月発売の6人乗りModel Y Lにハンズフリー操作として先行搭載され、中国勢の進んだ車内体験に対抗する。
Runway、Act-Twoに「Voices」追加：キャラの声も自在に調整可能に
Runwayは動画生成機能「Act-Two」にVoicesを追加したと発表した。動きだけでなく声の表現も手軽に変更できるようになり、生成したキャラクターのイメージに合わせた演技演出が可能になる。
Googleが「Gemini for Home」を発表、従来のAssistantを刷新へ
Googleはスマートホーム向け新AIアシスタント「Gemini for Home」を発表した。複数指示の同時処理やGemini Liveによる自然な音声対話に対応し、従来のGoogle Assistantを段階的に置き換える。無料版と有料版を用意し、10月に早期アクセスを開始する予定だ。
GoogleがGemini Liveを刷新：カメラ映像への画面指示やアプリ連携を強化
GoogleはGemini Liveのアップデートを発表しました。カメラ映像の特定対象を画面上でハイライトして教える視覚ガイド機能を追加したほか、CalendarやKeepなどの連携を強化し、抑揚のある自然な音声対話にも対応します。視覚ガイドは8月28日発売のPixel 10から順次展開されます。
Google、Pixel 10向けのAI新機能9選を発表 Tensor G5で端末内AIを強化
GoogleはPixel 10シリーズに導入される9つのAI機能を発表した。Google DeepMindと共同開発したTensor G5チップとGemini Nanoにより、アプリ横断で先回りの提案を行う「Magic Cue」や通話のリアルタイム音声翻訳などを端末上で安全に処理する。
ElevenLabsが「Eleven v3 alpha」のAPI提供を開始、複数人の自然な会話生成に対応
ElevenLabsは音声生成モデル「Eleven v3 (alpha)」のAPI提供を開始した。70言語以上に対応し、話者数無制限の対話モードにより相づちやトーンの変化を再現できるほか、音声タグによる感情表現の細かな制御も可能になった。
Meta、Reels向けAI翻訳を拡大：本人の声で自動吹き替え、唇の動きも同期
MetaはFacebookとInstagramのReels向けにAI翻訳ツールの提供範囲を拡大した。クリエイター自身の声質とトーンを再現して自動吹き替えを行い、唇の動きも翻訳音声に合わせて同期させる。まずは英語とスペイン語の相互翻訳に対応する。
ElevenLabs、AIエージェントにテキスト専用の「Chat Mode」を提供開始
ElevenLabsは会話型エージェントにテキスト専用の「Chat Mode」を追加したと発表した。注文番号やメールアドレスなど正確な入力が必要な場面に対応。既存の音声エージェントも1行のHTMLやAPI経由ですぐにテキスト対応へ切り替えられる。
Google DocsにGemini活用の文書読み上げ機能が登場、自然な音声で校正も容易に
GoogleはGoogle DocsにGeminiを活用した文書読み上げ機能を追加したと発表した。「ツール > 音声」からタブの内容を自然な音声で再生でき、声種や再生速度も調整可能。推敲や情報把握を支援する機能で、Workspaceビジネス・エンタープライズやGeminiアドオン契約者向けに順次提供される。
NVIDIA、約100万時間の多言語音声データセット「Granary」と最新モデルをオープンソース公開
NVIDIAは25の欧州言語に対応する音声データセット「Granary」をオープンソース公開した。約100万時間の音声を含み、高精度な「Canary-1b-v2」と高速処理に優れた「Parakeet-tdt-0.6b-v3」モデルも同時にHugging Faceで提供される。
AppleがAI卓上ロボットや新Siriを開発中、2026年以降に投入か
Bloombergによると、Appleは可動式アームを備えた卓上ロボット、スマートディスプレイ、防犯カメラなど複数のAI機器を開発しており、2026〜2027年の発売を目指している。Siriを根本から刷新し、「Bubbles」と呼ばれる擬人化キャラの導入も進めているという。
iOS 26ベータ版から判明：両耳AirPodsの長押しジェスチャーで対面リアルタイム翻訳が可能に？
iOS 26開発者向けベータ6から、両側のAirPodsの軸を同時に長押しして起動する新しいジェスチャーのシステム画像が見つかりました。純正「翻訳」アプリと連携し、対面会話でのリアルタイム翻訳向けとみられます。第2世代AirPods ProとAirPods 4が対象ですが、対応iPhoneの詳細はまだ明かされていません。
MiniMaxが「Speech 2.5」公開：40言語対応の高精度音声クローン
MiniMaxは新世代の音声モデル「Speech 2.5」を公開しました。40言語に対応し、機械的な不自然さを抑えながらアクセントや年齢感、細かな感情表現まで忠実に再現します。多言語でのコンテンツ制作やローカライズの負担を大きく減らせそうです。
マイクロソフト幹部が語る2030年のWindows：音声とマルチモーダルAIが主役に
米マイクロソフトの幹部が2030年のWindowsの未来像を語った。将来のPCは視覚や聴覚を共有し、マルチモーダルな音声対話が主役になると予想。マウスやキーボードによる操作は、現在のMS-DOSのように過去の遺物になるとの見解を示した。
Yelp、口コミと写真からAIが店舗紹介動画を自動生成 iOS向けに提供
Yelpは米国内のiOSアプリ向けにAI生成の飲食店紹介動画を提供開始した。OpenAIが脚本を作成し、ElevenLabsが音声、Amazon Transcribeが字幕を担当してユーザー投稿をまとめる。店舗側による事前確認やユーザーの除外設定には未対応だ。
ロチェスター大、英語の一文を読むだけでパーキンソン病を85.7%の精度で検出するAIを発表
米ロチェスター大学の研究チームは、マイクに向かって短い英文を1文読み上げるだけで、85.7%の精度でパーキンソン病を検出できるAIシステムを発表した。非専門医の診断精度を上回る水準で遠隔スクリーニングへの応用が期待される一方、偽陰性率が約25%あり現状は英語のみに対応する。
OpenAIのサム・アルトマン氏、人気ポッドキャストでAIの加速と雇用の不安を語る
OpenAIのサム・アルトマンCEOが人気ポッドキャスト「This Past Weekend」に出演。開発競争の減速は主導権を他者に渡すリスクがあると指摘した一方、雇用や社会の変化に不安は残るものの、人間は今後も自らの物語の主人公であり続けると語った。
Hume AIが音声モデル「EVI 3」公開、声だけでなく話し方まで再現
Hume AIは新型Speech-to-Speechモデル「EVI 3」とTTSを発表した。単なる声色の複製にとどまらず、話し方や言葉遣いのスタイルまで模倣する「パーソナリティ・クローニング」に対応。より本人らしいリアルな音声対話を実現する。