Murf AIが音声モデル「Falcon 2」公開、ElevenLabsの5分の1の価格に
インドのスタートアップMurf AIが音声合成モデル「Falcon 2」を公開した。生成コストは1分あたり0.01ドルとElevenLabsの5分の1に抑えられ、100ミリ秒未満の応答速度を実現。ベンチマークでOpenAIの一部システムを上回り、35言語と1万件の同時通話に対応する。
AI音声
新しいニュースを見る
Adobe Fireflyの音声ツールが一般公開：商用利用可能な音楽や効果音を生成
AdobeはFireflyの音声生成機能を一般向けに正式提供開始した。著作権トラブルを回避できるオリジナル楽曲や効果音、ElevenLabs連携の音声読み上げが作成できる。さらにGoogleのGemini Omni Flashモデルを追加し、AI Assistantに毎日の無料生成枠を導入した。
Meta AIがmacOSアプリを提供開始：fnキー長押しで全画面音声入力
Meta AIのmacOS向けデスクトップアプリが正式リリースされました。最大の特長はOS全体で動作する高精度な音声入力機能で、fnキーを押しながら話すだけで、任意のアプリにそのまま文字起こしテキストを入力できます。
ElevenLabsが「Eleven v3 Conversational」提供開始：70言語超と感情表現に対応
ElevenLabsはリアルタイム対話音声モデル「Eleven v3 Conversational」の一般提供を開始した。70以上の言語と1万1000種以上の音声に対応し、笑いや囁きなどの感情をタグで細かく制御できる。料金は1000文字あたり0.05ドルから。
わずか1.7GBの超小型音声合成「Audio8TS」、数秒の音声でローカル声クローン
超軽量テキスト読み上げモデル「Audio8TS」が公開された。パラメータ数は約 1 億、モデル全体で 1.7GB に収まり、わずか数秒のリファレンス音声から声質を再現できる。ONNX INT8 形式も用意され、一般的な PC の CPU でも手軽にローカル音声クローンを動かせる。
音声Agent向け記憶システム「VoiceMem」公開：左脳と右脳で感情と事実を分離
音声Agent向け長期記憶システム「VoiceMem」がオープンソースで公開された。事実を扱う「左脳」と感情・好みを追跡する「右脳」に分離し、ユーザーが話している間に先回りして検索する。応答遅延は134ミリ秒にとどまり、会話中の不自然な停止を防ぐ設計が施されている。
Pikaが4種の音声AIモデルを公開：競合比で最大20倍安くAPI提供
Pikaは動画同期音響「Soundtrack」、音楽生成「Music」、効果音「SFX」、音声合成「Speech」の4つの基礎モデルを発表した。推論効率の最適化により最大20倍の低コスト化を実現し、Pika API Club限定で提供を開始した。
Grok Botに電話発信機能が追加：保留待ちや料金交渉をAIが代行
Grok Botが有料ユーザー向けに電話発信機能を公開した。米国の電話番号宛てにサポートの保留待ちや予約、料金交渉を代行できる。通話中はリアルタイムの文字起こしを確認でき、AIが詰まった質問にはテキスト入力で即座に指示を出せるが、通話の法的責任はユーザーが負う。
Xiaomiが「MiDashengLM-Gen」を公開：音声・音楽・環境音をまとめて一括生成
Xiaomiの研究チームは統合オーディオシーン生成モデル「MiDashengLM-Gen」をApache 2.0で公開した。構造化プロンプトから話者の音声、BGM、効果音、環境音を1つの16kHz音声として同時に生成できる。バックボーンにQwen3-1.7Bを採用している。
Deepgram、遅延80msの音声合成モデル「Flux TTS」を発表
Deepgramはリアルタイム対話に特化した音声合成モデル「Flux TTS」を発表した。応答遅延は最短80ミリ秒で、会話中の割り込みや要望変更、早口の数字読み上げにも柔軟に対応する。デモではなく実際の顧客通話への導入を想定しており、9月12日まで無料で利用できる。
IndexTTS 2.5が公開：日英中など5言語に対応、感情制御と高速推論を実現
オープンソースの音声合成モデルIndexTTS-2.5が公開された。日本語、中国語、英語、スペイン語、アラビア語の5言語に対応し、数秒の参照音声から高精度にクローン可能。vLLMによる本番環境デプロイにも対応する。
ElevenLabs、「Dubbing v2」APIを提供開始 感情や抑揚を保ち90以上の言語に対応
ElevenLabsは開発者向けに「Dubbing v2」APIの提供を開始した。元の音声パフォーマンスを直接参照することで、90以上の言語で感情や抑揚を維持した吹き替えが可能。発話タイミングの自動同期に加え、背景音や音楽、複数話者が混ざるシーンの処理精度も向上している。
xAI、「Imagine Video 1.5」を更新 画像・音声参照とネイティブ1080pに対応
xAIは動画生成モデル「Imagine Video 1.5」をアップデートし、画像と音声の参照機能、テキストからの動画生成、ネイティブ1080p出力を追加した。最大7枚の参照画像でキャラクターの顔や製品、背景を固定しつつ、声も統一したまま動画を生成できる。一般機能は即日利用可能で、参照機能は米国の有料会員から順次展開される。
AIペンダント「Friend 2.0」登場：スピーカー内蔵で音声対話に対応、価格は249ドルへ
Avi Schiffmann氏が手掛ける対話型AIデバイス「Friend 2.0」が発表された。内蔵スピーカーにより音声でのリアルタイム会話に対応した。価格は初代の99ドルから249ドルへと大幅に値上げされたが、日常会話以外の実用性は依然として未知数だ。
HeyGenが動画ポッドキャストツール公開、資料から2人MC番組を自動生成
HeyGenは文書やリンク、アイデアから2人のホストによる動画番組を自動生成する新ツール「Video Podcast」を公開した。音声のみにとどまらず、スタジオ映像、マルチカメラの切り替え、Bロールまで数分で生成し、そのまま公開できる動画を作成できる。
Mac版Geminiが更新、Fnキー長押しで音声入力や画面内要約に対応
GoogleはmacOS版Geminiに音声機能を追加した。Fnキーを長押しするだけで任意の画面に音声入力でき、「えーと」などの不要な言葉も自動で除去される。設定で推論を有効にすれば、画面上で選択したテキストの書き直しや文書の要約も音声で指示できる。
VocalRender：歌詞とMIDI音符から48kHzのリアルな歌声を直接合成
オープンソースの歌声合成システム「VocalRender」が公開された。歌詞と MIDI 音符、数秒の参照音声を渡すだけで、タイミング調整なしに 48 kHz の高音質な歌声を生成する。Apache-2.0 ライセンスで推論・学習コードと約 9.5 GB の重み（通常版・Pro 版）が配布されている。
xAIが「Grok Voice 2.0」発表：発話しながら推論、応答遅延0.7秒
xAIは音声対音声モデル「Grok Voice 2.0」を発表した。発話と並行して推論を進める設計で、初回音声遅延を0.7秒に短縮し、総合ベンチマークでGPT-Realtime-2.1を上回った。料金は1分あたり0.08ドルで、8月5日に標準モデルへ切り替わる。
OpenAI、音声書き起こしモデル「gpt-transcribe」と「gpt-live-transcribe」を発表
OpenAIはバッチ処理向け「gpt-transcribe」とリアルタイム書き起こし向け「gpt-live-transcribe」を発表した。背景ノイズや多言語、訛り、専門用語など、過酷な実環境での認識精度が大幅に改善されている。
Fish Audio、5200万ドル調達と音声複製モデル「S2.1 Pro」公開を発表
音声AI企業のFish Audioは、5200万ドルのシード資金調達と音声クローンモデル「S2.1 Pro」の一般公開を発表した。わずか5秒の音声から高精度に声を複製でき、処理速度はCartesiaの2倍、コストはElevenLabsの6分の1に抑えた。感情やテンポの単語単位制御にも対応する。