WindsurfがWave 11を公開：音声入力やチェックポイントに対応、ブラウザ連携も強化
Windsurfは大型アップデート「Wave 11」を公開した。AIアシスタント「Cascade」に音声入力機能が追加されたほか、会話のスナップショット保存や過去会話のメンション参照が可能になった。内蔵ブラウザからDOMツリーやコンソールログを自律的に取得する機能も加わり、フロントエンド開発の反復作業を大幅に省力化できる。
AI音声
新しいニュースを見る
OpenAI、macOS版ChatGPTの「録音モード」を世界中のPlusユーザーに開放
OpenAIはmacOS版ChatGPTデスクトップアプリの「録音モード」を全世界のPlusユーザー向けに提供開始した。会議や音声メモを録音すると、ChatGPTが文字起こしや要点抽出を行い、ToDoリストや計画、コードまで生成する。
Mistral、音声認識・理解モデル「Voxtral」をApache 2.0でオープンソース公開
Mistral AIは音声理解モデル「Voxtral」の24B版と3B版をApache 2.0ライセンスで公開した。最大40分の音声や音声からの直接関数呼び出しに対応し、Whisper large-v3を超える精度を半額以下のAPI価格で提供する。
Metaが音声AIのPlayAIを買収、チーム全員合流へ
Metaがリアルな音声を生成するAIスタートアップPlayAIを買収した。買収額は非公開だが、来週にもチーム全員が合流する。PlayAIの技術はMeta AI、AIキャラクター、ウェアラブル端末、音声コンテンツ制作に組み込まれ、自然な音声対話の強化を狙う。
米ゲーム声優のストライキが終結：AI複製への同意義務化で合意
米俳優組合SAG-AFTRAは95%の賛成多数で1年間にわたるゲーム業界へのストライキ終結を可決した。新協約では、AIによる声やモーションキャプチャの複製に本人の同意と開示、適切な報酬を義務付け、大幅な賃上げも盛り込まれた。
Deepgram、開発者向け音声OS「Saga」発表 声だけでコード生成やタスク管理
Deepgramは開発者向けの音声プラットフォーム「Saga」を発表した。CursorやWindsurfなどの開発環境に組み込み、音声でプロンプト生成やJira、Slackの更新を行える。画面切り替えのロスをなくし、声による直感的な開発を目指す。
Google「Veo 3」が画像からの音声付き動画生成に対応、発話も可能に
Google は映像制作用 AI ツール「Flow」内の Veo 3 をアップデートし、1 枚の画像から音声と映像を生成する機能を追加したと発表した。最初のフレームを指定するだけで台詞や動作を生成でき、キャラクターの一貫性が向上する。利用地域も 140 カ国以上に拡大された。
WhatsAppが大企業向け音声通話機能を提供、AI音声対応へ道
MetaはWhatsApp Businessの大企業向けに音声通話APIの提供を開始したと発表しました。企業と顧客の双方向通話が可能になり、ElevenLabsなどのAI音声エージェントを導入した自動接客への道が開かれます。さらにAIによる商品レコメンド機能の検証も進められています。
Apple、SiriのAI基盤にAnthropicやOpenAIのモデル採用を検討か
米Bloombergによると、AppleはSiriの刷新に向けて、自社製モデルではなくAnthropicやOpenAIの大規模言語モデルの採用を検討しているという。自社クラウド上で外部モデルを稼働させる協議を進めているとされるが、度重なる開発遅延を受けたこの方針転換は、社内AIチームの士気低下を招いていると報じられている。
macOS版ChatGPTに「録音モード」登場：会議の文字起こしや要点整理を自動化
OpenAIはmacOS向けChatGPTデスクトップアプリで「Record mode（録音モード）」の提供を開始した。Pro、Enterprise、Eduユーザーを対象に追加費用なしで提供され、会話を録音すると自動で文字起こしし、要点やネクストアクションをまとめてくれる。
Googleが「Search Live」提供開始：検索とリアルタイム音声で会話可能に
Googleはモバイル版アプリで「Search Live」を開始した。特注のGeminiモデルを活用し、検索と自然な音声で対話しながら画面上のWebリンクも確認でき、バックグラウンド再生にも対応する。まずは米国のLabsテスター向けに提供される。
OpenAI、公式ポッドキャスト始動 初回はアルトマン氏がGPT-5やAGIを語る
OpenAIは公式ポッドキャスト番組「OpenAI Podcast」の配信を開始した。第1回はAndrew Mayne氏を聞き手にサム・アルトマンCEOが登場し、AGIの展望やGPT-5の進捗、プライバシーについて語っている。開発陣の生の声や今後のロードマップを直接届ける発信拠点となりそうだ。
ElevenLabsがv3向け「Audio Tags」公開、タグ指定でAI音声の間やテンポを制御可能に
ElevenLabsはEleven v3向けに「Audio Tags」機能を提供開始した。台本内に[pause]や[rushed]、[stammers]といったタグを書き込むだけで、AI音声のテンポや間、強調を精密に演出できる。なお、現段階ではプロ向け音声クローン（PVC）への最適化は未完了となっている。
Google検索に「音声概要」登場：Geminiが検索結果を会話形式で要約
GoogleはSearch Labsで新実験「Audio Overviews」を開始しました。最新のGeminiモデルを活用し、特定の検索結果を短く自然な会話形式の音声で要約します。画面を見ずに情報を素早く把握したい作業中などに便利です。
米俳優組合、ゲームのAI利用合意案を公表 リアルタイム生成は最低報酬の7.5倍に
米映画俳優組合（SAG-AFTRA）はゲーム会社との暫定合意の詳細を明らかにした。生成AIの無断利用を防ぐため、音声や肖像の利用には本人の同意を必須とし、ゲーム内のリアルタイム生成対話AIなどに使う場合は最低基準の7.5倍の報酬を支払うよう義務付けた。320日間に及ぶストライキの末にルールが明文化された。
ChatGPTのProjectsが進化：Deep Researchや音声モードに対応
OpenAIはChatGPTの「Projects」機能のアップデートを発表した。Deep Researchや音声モードに対応したほか、過去の会話を参照するメモリ機能が向上。モバイルアプリでもファイル添付やモデル切り替えが可能になった。
サムスン、冷蔵庫に声紋認識を追加：家族の声を聞き分けカレンダーを表示
サムスンは2025年モデルの「Bespoke AI」冷蔵庫に音声認識アップデートを配信した。Bixbyが家族それぞれの声を識別し、話しかけた人の個人カレンダーや写真、スマホのアクセシビリティ設定を画面に呼び出せる。スマートスピーカーを持たない同社ならではのパーソナライズ戦略だ。
ChatGPTの高度な音声機能が刷新：皮肉や相槌も自然に、同時通訳にも対応
OpenAIはChatGPTの有料会員向けに「高度な音声モード」のアップデートを配信した。声の抑揚や間、共感や皮肉といった感情表現が格段に自然になり、会話を続けながらリアルタイム翻訳できる機能も追加された。なお、稀にピッチの乱れや不要な雑音が入る不具合は残っている。
Apple、WWDC 2025でApple Intelligenceの翻訳機能や開発者向けAIツールを発表か
Bloomberg報道によると、AppleはWWDC 2025でApple Intelligenceのシステム横断翻訳機能と開発者向けAIツールを発表する見込みです。メッセージの自動翻訳やAirPodsを通じた通話・対話のリアルタイム翻訳に対応するほか、開発者にも画像生成などのツールを開放する可能性があります。
ElevenLabsが「Eleven v3」Alpha版を公開、感情表現とタグ制御を強化
ElevenLabsは文脈や感情に応じた音声合成モデル「Eleven v3」のAlpha版を公開しました。70以上の言語と最大5000文字の入力に対応し、スクリプト内に音声タグを挿入して笑い声や囁き声を細かく演出できます。声優を起用せずにゲームや動画向けの表現力豊かな会話音声を短時間で制作できるようになります。