nyra labsが「CrisperWhisper 2.0」公開、文字起こしの逐語・整形を自在に切り替え
nyra labsはオープンソースの音声認識モデル「CrisperWhisper 2.0」を公開した。言い淀みや笑い声を忠実に残す逐語モードと、整形された意図モードを切り替え可能。単語ごとの誤差は30ミリ秒に抑えられ、最小2億パラメータ版はGPUなしでも動作する。
AI音声
新しいニュースを見る
アリババが「Qwen-Audio-Agent」公開：通話しながらAIにタスク実行
アリババがリアルタイム音声ランタイム「qwen-audio-agent」をオープンソース化。全二重の音声通話で自然に割り込みながら、裏でOpenCodeなどのバックエンドAgentにコード修正や検索を非同期で実行させられる。
OpenAI、デスクトップ版ChatGPT Voiceを提供開始：音声で複数エージェントを操作
OpenAIはmacOSおよびWindowsのデスクトップアプリ向けにChatGPT Voiceの提供を開始した。GPT-Liveを基盤とし、音声のみでコンピューターを操作しながらChatGPT WorkやCodex内の複数エージェントを連携できる。有料プラン向けに順次グローバル展開される。
マイクロソフト、独自画像・音声モデルを公開 Bing画像生成を全面自社製に
Microsoftは自社開発モデル「MAI-Image-2.5-Pro」と「MAI-Voice-2-Flash」のパブリックプレビューを開始した。Bing Image Creatorは完全に自社製画像モデルへ移行し、新音声モデルは処理速度を2倍にしつつコストを32%削減した。
Anthropic、Claudeの音声モードを強化 Opusや外部ツール連携に対応
Anthropicは、Claudeの音声対話モードで最上位のOpusおよびSonnetモデルを選択可能にした。複雑なブレストや思考の壁打ちに対応するほか、Gmailやカレンダーと連携して音声指示でツールを操作できる。日本語を含む11言語に対応し、全プラットフォームでテスト提供される。
OpenAI、企業向けAIエージェント基盤「Presence」公開 音声対応で75%を自律解決
OpenAIは企業向けエージェント基盤「Presence」を発表した。音声とチャットの双方で社内システム操作や承認ルールに沿った自律対応を行う。自社サポート窓口では75%の問い合わせを無人で完結させており、Codexによる継続的改善ループも備える。現在は選定企業向けの限定提供となる。
WazeがGemini連携：会話での目的地検索や「無駄口を減らす」モードを追加
WazeはAndroidとiOS向けに新機能を発表。Geminiを活用し、自然な音声会話での目的地検索や地図修正の提案が可能になった。バイク専用のナビゲーションや、案内音声を減らす「less chatty」モードも提供。会話検索はまずグローバルのベータ版向けに展開される。
動画編集ツール「BaoCut」：プロンプト1行で文字起こしから粗編集まで完結
動画の文字起こしと粗編集を自動化する「BaoCut」が登場した。Claude Code や Codex と連携し、自然言語の指示で不要な間や口癖の削除、多言語字幕の翻訳・書き出しまで一括処理できる。編集可能なタイムラインを備え、字幕の手作業修正からクリエイターを解放する。
マイクロソフト、詩の処方箋を再現する「Ode Poetry」公開：独自音声AIで詩人の語り口を再現
Microsoft AIは詩人ウィリアム・シーガートらと組み、対話型詩歌体験「Ode Poetry」を公開した。音声認識モデル「MAI-Transcribe」と音声合成モデル「MAI-Voice」を活用し、ユーザーの悩みを傾聴して詩人の声と選書ロジックで最適な詩を処方する。
OpenAI、音声モデル「GPT-Live」発表：同時発話と聞き役に進化
OpenAI は全二重通信アーキテクチャを採用した新音声モデル「GPT-Live」を発表した。相づちを打ちながら自然に会話でき、複雑な推論は裏で GPT-5.5 に委託しながら対話を継続する。ChatGPT の無料・有料ユーザー向けに順次提供される。
xAI、ノーコードの「Voice Agent Builder」公開：Grok Voice採用で1分0.05ドル
xAIは人間らしい自然な会話ができる音声AIを作成可能なノーコードツール「Voice Agent Builder」を公開した。基盤にGrok Voiceを採用しており、料金は1分あたり0.05ドルですでに提供を開始している。
Fish Audio、旗艦TTSモデル「S2.1 Pro」を開発者向けに無料開放：83言語対応で使用制限なし
Fish Audioは、同社の主力テキスト音声合成モデル「S2.1 Pro」を開発者向けに完全無料で提供開始した。83言語に対応し、利用量の上限も設けられていないため、コストを気にせず多言語音声合成をアプリへ組み込める。
OASIS、ささやき声で入力できるスマートリング「OASIS 1」を発表：トラックパッドも内蔵
OASISはスマートリング「OASIS 1」を発表した。遮音マイクとWisprFlow技術により、小声でささやくだけで周囲に邪魔されず文章入力ができる。内蔵トラックパッドでカーソル移動や誤字修正も可能。価格は289ドルで、2026年クリスマス前後に発送予定。
Netflix、故ジーン・ワイルダー氏の声をAIで再現 新番組のナレーションに採用
Netflixは配信開始予定のリアリティ番組『Wonka’s The Golden Ticket』で、故ジーン・ワイルダー氏のAI生成音声をナレーションに採用したと発表した。音声技術はElevenLabsが提供し、遺族の正式な許諾を得ている。故人の声を公式に再現してコンテンツに活用する動きが広がっている。
アリババ、対話型動画モデル「Wan Streamer」公開：200ms低遅延で双方向通話
アリババはリアルタイムで動画・音声対話ができる基盤モデル「Wan Streamer」を発表した。単一のTransformerでテキスト、音声、映像を同時に処理し、モデル側応答遅延を約200ミリ秒に抑えた全二重通信を実現している。現在は192pのPoC段階で一般体験は未提供。
LightricksがScenAを発表：テキストと音声サンプルから臨場感ある多人数会話を一発生成
Lightricksとテルアビブ大学は、複数話者の会話シーンを一度に生成するモデル「ScenA」を発表した。自由なプロンプトと参照音声を渡すだけで、発話の重なりや環境音、笑い声などの表現を含む20秒の音声を生成できる。従来の無機質な個別生成から脱却し、現実の空気感をそのまま再現できる点が画期的だ。
CartesiaがSonic-3.5とInk-2を発表：音声合成と文字起こしの両ストリーミング首位を獲得
Cartesiaは音声合成モデルSonic-3.5と文字起こしモデルInk-2を公開した。状態空間モデルを採用して初回応答遅延を300ミリ秒未満に抑え、Artificial Analysisの流動評価で首位を獲得。発話終了検知も備え、対話AIの不自然な沈黙を解消する。
Zyphra、音声合成モデル「ZONOS2」をオープンソース公開：8B MoEで高精度音声クローン
Zyphra はオープンソースの音声合成モデル「ZONOS2」を公開した。総パラメータ 80 億、アクティブ 9 億の MoE 構造を採用し、600 万時間超の音声データで学習。日本語を含む多言語に対応し、低遅延で 44.1 kHz の高音質音声クローンを Apache 2.0 で提供する。
ElevenLabsが「Avatars」公開、台本からリップシンク動画をワンストップ生成
ElevenLabs は ElevenCreative で新機能「Avatars」を発表した。音声合成とリップシンク動画生成を同一画面に統合し、画像やプロンプトから同一の人物性を保ったまま動画を制作できる。現在すべての有料プランで利用可能だ。
Google、リアルタイム音声翻訳モデル「Gemini 3.5 Live Translate」発表 70言語以上で声の抑揚を再現
米Googleはリアルタイム音声翻訳モデル「Gemini 3.5 Live Translate」を発表した。話し終わりを待たずに数秒遅れで連続翻訳し、話者の抑揚や声のトーンを保つ。70言語以上に対応し、Google翻訳アプリやGoogle Meet、開発者向けAPIへ順次展開される。