xAIが「Grok Voice Transcribe 2.0」公開、精度2倍で据え置き価格
xAIは音声文字起こしモデル「Grok Voice Transcribe 2.0」をリリースした。バッチ1時間あたり0.10ドル、ストリーミング0.20ドルの価格を維持したまま認識精度を2倍に向上。ベンチマークで32モデル中トップを獲得し、19言語の短文誤り率を20.6%から6.8%へ大幅削減した。
AI音声
新しいニュースを見る
xAIの「Grok」に音声モード追加、デスクトップとモバイルへ順次展開
xAIのAIチャットボット「Grok」に音声モードが追加され、デスクトップとモバイル向けに順次提供が始まった。テキストだけでなく自然な音声で対話できるようになり、すでに音声機能を備えるChatGPTやGoogle Geminiを追随する形となる。
Muse AIがベータ版拡大：米国内店舗への電話代行機能を追加
Muse AIは米国の事業者に対する外線発信機能のベータ提供を拡大したと発表しました。要望の多かった電話代行機能で、過去にAIアシスタントへ希望を伝えていたユーザーから順次提供されます。チャットを超え、リアル店舗との連絡や問い合わせをAIが肩代わりする実用化が一歩進みました。
網易有道、リアルタイム音声認識モデル「Confucius4-R2T2」をオープンソース公開
網易有道がリアルタイム音声認識モデル「Confucius4-R2T2」を公開した。Qwen3-ASRを基盤に、200〜600ミリ秒の低遅延と確定テキストを書き直さない追記専用出力を両立。字幕のちらつきを抑えつつ、オフライン認識並みの精度を維持している。
Amazon、対話型AI「Alexa+」をインドで提供開始 ヒンディー語と英語の混合会話に対応
Amazonはインドで対話型AI「Alexa+」のアーリーアクセスを開始した。ヒンディー語と英語に対応し、文の途中で言語を切り替える会話も理解できる。Swiggyなど現地の各種生活サービスと連携し、テスト終了後はPrime会員なら無料で利用可能となる。
Google、「Gemini 3.8 Live」発表 思考と発話を同時に行える音声AIモデル
米Googleはリアルタイム音声AIモデル「Gemini 3.8 Live」および「3.8 Live Extended Thinking」を発表した。97言語の自動判定やバックグラウンドでのツール実行に対応し、上位モデルは思考しながら自然に会話を継続できる。Google AI StudioやGemini APIを通じて即日提供を開始した。
ElevenLabsがMCPを拡張：ClaudeやChatGPTで動画・音楽・音声を直接生成可能に
ElevenLabs は MCP コネクタを拡張し、Claude や ChatGPT、Cursor 内で音声、文字起こし、音楽、画像、動画を直接生成できるようにした。API キー不要の OAuth 認証のみで 50 以上のモデルを呼び出せ、生成物は ElevenCreative に自動保存される。
アントと清華大がRealtime-Venus発表：会話を止めずに裏でタスク実行
アント・グループと清華大学が、リアルタイムマルチモーダルAgentシステム「Realtime-Venus」を開発した。2つの9Bモデルで全二重音声と映像認識を維持しつつ、複雑な処理はバックグラウンドで非同期実行する。タスク待ちで会話を中断せずに済み、スマートグラスや車載用途に適している。
ユニバーサルとElevenLabsが提携：公式公認のAI音楽リミックス基盤を開発へ
ユニバーサル ミュージック グループとElevenLabsは複数年の戦略的提携を発表した。参加アーティストの楽曲を公認でリミックスやマッシュアップできるAI音楽制作プラットフォームを開発し、創作者への適切な収益還元を目指す。大手レーベルとの提携はElevenLabs初となる。
OpenAI、音声モデル「GPT-Live-1」のAPI提供を開始：毎分5セントで同時通話に対応
OpenAI は全二重音声モデル「GPT-Live-1」の API 提供を開始した。利用料は音声レイヤーで毎分 0.05 ドル。音声認識やテキスト生成、音声合成を別々に繋ぐ必要がなく、単一モデルで会話の割り込みや相槌に即座に対応する。複雑な推論は GPT-6 Astra などのバックエンドモデルに委譲可能だ。
Appleが「AirPods 5」発表：オープンイヤー型ANCを強化、Siri AIやリアルタイム翻訳に対応
Appleは129ドルからの「AirPods 5」を発表した。オープンイヤー型ながらANC性能が前世代比で最大50%向上。Apple Intelligenceと連携し、個人コンテキストを理解するSiri AIのハンズフリー操作やリアルタイム翻訳に対応する。9月18日発売。
Tencentが音声基盤モデル「AuK」を公開：自然言語で音声を自在に編集
Tencentが1.5Bパラメータの音声生成・編集基盤モデル「AuK」をオープンソース公開しました。自然言語の指示だけでゼロショット音声クローンができるほか、テキストを編集するように音声内の単語を追加・削除したり、感情の変更やノイズ除去が可能です。Web上で試せるデモも提供されています。
Google、WorkspaceにGemini音声機能を追加 話すだけでメール検索や文書作成が可能に
GoogleはGmail、Docs、KeepにGemini音声モデルを活用したリアルタイム会話機能を導入した。話しかけるだけで受信トレイを検索できるほか、口頭でDocsの構成案を作ったり、Keepで思いつきを整理されたメモに変換できる。まずはGoogle AI有料ユーザー向けに順次提供される。
マイクロソフトが音声認識「MAI-Transcribe-2」公開、競合比最大10倍高速
マイクロソフトは音声認識モデル「MAI-Transcribe-2」を発表した。60言語を対象としたFLEURSベンチマークで平均単語誤り率5.2%を記録し、GPT-Transcribeの最大10倍の速度を実現。話者分離や単語レベルのタイムスタンプに対応し、年内は1時間あたり0.10ドルで提供する。
Meta、音声モデル「Muse Voice Transcribe」発表 20人以上の話者分離に対応
Metaはリアルタイム音声認識モデル「Muse Voice Transcribe」を発表した。音声を80ミリ秒単位で処理し、強化学習で遅延と精度のバランスを最適化する。20人以上の話者分離や多言語混在に対応し、Meta AIやAPI経由ですでに利用可能。
PlaudがAIイヤホン「Plaud One」発表：充電ケースに4G内蔵で単独録音・要約
Plaudは会話の録音・文字起こし・要約を行えるAIイヤホン「Plaud One」を249.99ドルで発表した。充電ケースに4G通信機能を備え、スマホなしで単独アップロードが可能。専用ボタンでSlackやNotionと連携するエージェントも呼び出せる。現在一部地域で予約受付中で、発送は2026年第4四半期の予定。
Google、文字起こしAI「Gemini 3.5 Transcribe」公開 誤り率2.6%
Googleは音声認識モデル「Gemini 3.5 Transcribe」を発表した。非ストリーミング時の単語誤り率は2.6%で、85以上の言語に対応する。「えーと」などの不要語除去や言い直し修正、最大3人の話者分離に対応し、Google AI Studioで公開されている。
Gemini Liveにエージェント機能追加：音声でGmail操作や複数アプリの自動連携が可能に
GoogleはGemini Liveにエージェント機能「Spark」を統合する生産性アップデートを発表した。音声指示だけでDocsやSheets、Webを横断する長時間のマルチステップタスクをバックグラウンド実行できるほか、音声によるGmail整理や毎朝の要約ブリーフィングにも対応した。
Particle、AI向けポッドキャスト検索「Radar」公開：13万番組をデータ化
Particleはポッドキャスト検索エンジン「Radar」を発表した。13万番組以上を文字起こしして文脈を解析し、毎日2万エピソードを追加する。APIやMCP経由でAIエージェントに構造化データを提供し、音声データを読めない課題を解決する。ヘッジファンドなどが既に導入している。
BreezeBlueが「Breeze-TTS-2」公開：初動40ms未満、テキスト指示で声質を設計
BreezeBlueが音声合成モデル「Breeze-TTS-2」の重みと推論コードを公開した。日英両言語に対応し、H100環境で初動レイテンシ40ms未満を実現する。音声参照なしにプロンプトだけで声質を生成できるほか、テキスト内に笑いやため息などの感情表現を挿入可能。コードはApache 2.0、重みは研究・非商用限定。