MiniMaxが音声モデル「Speech-02」公開：最大20万文字の入力に対応
MiniMax は最新の音声合成モデル「Speech-02」を発表した。ファイルや URL から自然な音声を即座に生成でき、1 回で最大 20 万文字の入力に対応する。30 以上の言語、無制限の音声クローン、1 秒未満のストリーミング出力を備えている。
AI音声
新しいニュースを見る
ElevenLabsが「Actor Mode」公開：自分の声でAIの演技や抑揚を演出
ElevenLabsはStudio全ユーザー向けに「Actor Mode」を提供開始した。ユーザーが自分の声を使ってAIボイスのトーンや抑揚、台詞の語り口を直接ガイドできるようになり、音声生成におけるクリエイティブな表現制御が一段と高まった。
Krisp、通話中のアクセントを変換する新機能：インド英語を米語風に
音声技術のKrispは通話中のアクセントをリアルタイムで変換するベータ版機能を発表した。話者の声質を維持したまま音素だけを米語風に変える仕組みで、まずはインド英語から対応する。企業テストでは成約率が向上したとされる一方、実機テストでは不自然さや言葉の欠落も見られた。
GroqとPlayAIが音声AI「Dialog」で提携：毎秒140字の高速生成と感情表現を実現
GroqとPlayAIが提携を発表し、音声モデル「Dialog」をGroqCloud上で提供開始した。会話の流れを把握して感情や抑揚を反映する独自アーキテクチャを備え、英語とアラビア語に対応。GroqのLPUによりGPUを上回る毎秒140文字の超低遅延生成を実現している。
Otterが音声対応AIエージェント発表：会議中に声で質問、過去ログから即答
Otterは3種類のAIエージェントを発表した。目玉となる「Meeting Agent」は音声対話に対応し、社内の過去の会議データを参照して会議中に声で質問へ回答できる。現在はZoomで順次展開中で、数週間以内にTeamsやGoogle Meetにも対応予定。
音声AIのCartesiaが約6400万ドル調達、新モデル「Sonic 2.0」を公開
リアルタイム音声AIを手がけるCartesiaは、Kleiner Perkins主導のシリーズAラウンドで6400万ドルを調達したと発表した。資金はチーム拡大や次世代インフラ開発に充てられ、あわせて最新音声モデル「Sonic 2.0」の提供も開始した。
ElevenLabsが音声文字起こしを45%値下げ：Scribeが4月9日まで無料
ElevenLabsは音声文字起こしモデル「Scribe」の大規模利用時の料金を45%値下げし、4月9日までWeb UI経由で無料提供すると発表した。99言語に対応する。高精度な多言語文字起こしの導入コストが大きく下がりそうだ。
Metaの次期「Llama 4」、音声機能を大幅強化か 会話の割り込みに対応
米メディアなどの報道によると、Metaは数週間以内に公開予定の「Llama 4」で音声機能を大幅に強化する方針だ。発話中の割り込みやネイティブな音声処理に対応するオムニモデルになるという。競合するDeepSeekの台頭を受け、Metaは開発スピードを急加速させている。
ElevenLabsがGoogle Cloudと提携、企業向け音声AIをMarketplaceで提供開始
ElevenLabsはGoogle Cloudとの提携を発表し、音声AIモデルをGoogle Cloud Marketplaceで提供開始した。Gemini 2.0 Flashと連携させ、低遅延な対話型エージェントや多言語吹き替えを企業のクラウド環境へ迅速に導入できる。
Prime Video、映画やドラマでAI吹き替えのテスト運用を開始
Amazon傘下のPrime Videoは一部のライセンス作品向けにAIを活用した吹き替えテストを開始した。まずはこれまで吹き替えがなかった12作品を対象に英語と中南米スペイン語を提供し、プロの監修を組み合わせて品質を担保する。
Perplexity、macOSアプリに「音声モード」を追加
PerplexityはmacOS向けアプリに音声モードを導入した。ショートカットキー「⌘ + ⇧ + M」を押すだけで音声検索や質問が可能になる。Mac App Storeから最新版をダウンロードまたはアップデートして利用できる。
xAI、Grokアプリで音声モードを全iOSユーザーに無料開放
xAIはGrokのiOSアプリで音声モード（Voice Mode）を全ユーザー向けに無料開放した。有料サブスクリプションなしでリアルタイムの音声対話が可能になり、モバイル環境での利用ハードルが大きく下がった形だ。
独ドイツ・テレコム、ElevenLabsと提携 「Magenta AI」で記事を数秒でポッドキャスト化
独Deutsche Telekomは音声AI企業のElevenLabsとの戦略的提携を発表した。自社の「Magenta AI」に「Gen FM」技術を組み込み、ニュース記事を数秒でリアルなポッドキャストへ変換可能にする。あわせてドイツ・テレコムはElevenLabsのシリーズC調達にも出資した。
ElevenLabs、対話型AIプラットフォームでClaude 3.7 Sonnetに対応
ElevenLabsは会話型AIプラットフォームにAnthropicの「Claude 3.7 Sonnet」を統合したと発表した。高度な推論とリアルな合成音声を組み合わせ、ハルシネーションの少ない音声エージェントを構築できる。
マイクロソフト、医療向け音声AI「Dragon Copilot」発表：カルテ作成を自動化
マイクロソフトは医療従事者向けのAIアシスタント「Dragon Copilot」を発表した。音声入力のDragon Medical Oneと環境音声認識のDAX Copilotを統合し、問診からの自動カルテ作成や指示出しを支援する。5月に米国とカナダで提供開始予定。
AppleのAI展開に遅れ：会話型SiriはiOS 20へ延期か、利用率の低さも露呈
Bloombergの報道によると、AppleのAI展開が難航しており、ChatGPT風の会話型Siriの提供は早くてもiOS 20にずれ込む見込みです。社内データではApple Intelligenceの利用率が「極めて低い」とされ、iOS 19での大幅な進化も見込めない状況です。
世界最大のコールセンターがAI導入：インド人従業員の訛りをリアルタイム除去へ
Bloombergによると、世界最大手の仏コールセンター代行Teleperformanceは、Sanas AIの技術を使ってインド人スタッフの訛りをリアルタイムで中和する仕組みを導入した。通話時間短縮や顧客満足度向上を狙うが、最大1億400万ドルのAI投資計画を発表した直後に同社株は11%急落した。
Oculus創業者が新企業Sesameを公開：極めて自然な音声AIとAIグラス開発へ
Oculus共同創業者らが率いるSesameがステルスを解除し、自然な割り込みや間を再現する高表現力な音声AIを発表した。同社は日常使いを想定したAIスマートグラスも開発中で、今後数か月以内にモデルのオープンソース化と20言語以上の対応を予定している。
マイクロソフト、小型モデル「Phi-4」発表：音声・画像・テキストを単一処理
Microsoftは小型モデル「Phi-4-multimodal」（56億パラメータ）と「Phi-4-mini」（38億パラメータ）を発表した。マルチモーダル版は音声・視覚・テキストを同一アーキテクチャで同時処理でき、Copilot+ PCなど端末側での動作を想定している。
Microsoft CopilotがMacに対応、ショートカット起動や割り込み可能な音声対話を提供
MicrosoftのAIアシスタント「Copilot」がMac向けに登場した。Option＋スペースキーのショートカットでどのアプリからでも即座に呼び出せるほか、ポッドキャスト風にニュースをまとめる「Copilot Daily」や、発言の途中で割り込んでも自然に対応する音声チャット機能を備えている。