アリババが「Qwen3.5-Omni」公開：カメラに向かって話すだけでWebアプリ生成
アリババのQwenチームはネイティブ全モーダルモデル「Qwen3.5-Omni」を発表した。テキスト、画像、音声、動画を同時に処理でき、カメラに構想を話すだけでサイトやゲームを生成する「音声視覚Vibe Coding」を搭載。最大10時間の音声認識に対応し、音声性能でGemini-3.1 Proを上回る。
AI音声
新しいニュースを見る
オープンソースLuxTTS登場：3秒の音声で複製、1GB未満のVRAMで48kHz出力
音声クローンモデル「LuxTTS」がオープンソースで公開されました。わずか3秒の音声から音色を捉え、1GB未満のVRAMで48kHzの高音質音声を生成します。GPUで実時間の150倍、CPU単体でも実時間超えで動作するため、一般的なノートPCでも高品質な音声合成を手軽に実行できます。
Google翻訳のイヤホン「リアルタイム翻訳」がiOSに対応、70以上の言語で手持ちのイヤホンが使える
GoogleはGoogle翻訳のイヤホン向け「リアルタイム翻訳」をiOSに提供開始し、利用可能国を12カ国に拡大しました。Geminiを活用して話者のイントネーションを保ちながら70以上の言語を翻訳でき、専用ハードを買わずに手持ちのイヤホンで使えます。
Google、「Gemini 3.1 Flash Live」公開 自然な対話と複雑な音声推論に対応
Googleは音声モデル「Gemini 3.1 Flash Live」を発表した。より自然な会話リズムや感情のニュアンス理解を備え、途中の割り込みにも強い。Gemini Liveや200超の国・地域に展開するSearch Liveに統合されたほか、Google AI StudioでAPIプレビューも始まっている。
Cohere、初のオープンソース音声認識モデル「Transcribe」を公開
Cohereは初のオープンソース音声認識モデル「Transcribe」を公開した。20億パラメータと軽量で一般向けGPUでも動作し、日本語を含む14言語に対応する。1分間で525分相当の音声を処理でき、Open ASRリーダーボードで誤り率5.42を記録した。無料APIも提供される。
Smallest.aiがLightning V3公開：15言語の文中文混じり発話や囁き声の制御に対応
Smallest.aiは対話エージェント向けTTSモデル「Lightning V3」を発表した。15言語の自動検出と文中の言語切り替えに対応し、感情や囁き声などの細かい指示制御が可能。わずか5〜15秒の音声から自然な間を含む音声クローンを生成できる。現在無料枠および従量制で利用可能だ。
アリババ、動画から効果音を自動生成する「PrismAudio」をオープンソース公開
アリババが動画向け効果音生成モデル「PrismAudio」をオープンソース公開しました。強化学習と思考の連鎖を組み合わせ、無音動画から動作に同期した音声を生成します。パラメータ数はわずか5.18億で、9秒の音声を0.63秒で生成でき、ベンチマークと速度の両面で数十億規模の競合を上回ります。
Mistralが「Voxtral TTS」公開：4B軽量音声モデル、遅延70msを実現
Mistral AIは初のテキスト読み上げモデル「Voxtral TTS」を公開しました。4Bパラメータの軽量設計で英語やフランス語など9言語に対応し、わずか3秒の音声からクローンを作成できます。典型的な遅延は70msで、重みはHugging Faceで公開されています。
故ヴァル・キルマー氏、生成AIで映画「主演」へ：遺族の合意得て出演再現
映画監督のコールト・ヴーアヒーズ氏は、2025年に死去した俳優ヴァル・キルマー氏を生成AIで再現し、新作インディペンデント映画『As Deep as the Grave』に出演させると明かした。遺族公認のもと過去の映像や音声を使用し、俳優組合のガイドラインに沿って報酬も支払われるという。
アリババ、唇の動きに同期する映像吹き替えAI「Fun-CineForge」公開
アリババが映像向け配音モデル Fun-CineForge をオープンソース公開した。動画とテキストを入力すると唇の動きや話者を認識し、顔が隠れた場面でもタイミングを合わせて発声。複数キャラクターの掛け合いも自然な声色で切り替えられる。
清華大学が「OpenMAIC」を公開：テーマ入力だけでAI教師とAI同級生が揃う授業を生成
清華大学の研究チームが、テーマや文書から対話型の仮想授業を自動生成する「OpenMAIC」をオープンソース公開した。AIの教師と生徒がリアルタイムで音声解説やホワイトボード描画、ディスカッションを行い、小テストや演習も自動で組み立てる。動画を眺めるだけの学習からAIと対話する環境へと引き上げる試みだ。
Tencent、全二重音声対話モデル「Covo-Audio」をオープンソース公開
Tencentは7Bパラメータの端対端音声言語モデル「Covo-Audio-Chat」をオープンソース公開した。単一の統合アーキテクチャで連続音声を直接処理し、話しながら聞き取り、割り込みにも即座に対応する全二重対話を実現する。コードと重みはGitHubとHugging Faceで公開中。
Fish Audioが音声合成モデル「S2」公開、テキスト内タグで単語単位の感情制御に対応
Fish Audio はオープンソースの次世代音声合成モデル「Fish Audio S2」を公開した。約 80 言語に対応し、スクリプト内に自然言語タグを挟むだけで単語レベルの感情や息遣いを制御できる。初回パケット遅延は 100ms で、ウェイトと微調整コードが GitHub と Hugging Face で公開されている。
音声と映像を一度に生成、一体型デジタルヒューマン「ID Laura」が公開
一体型デジタルヒューマン生成モデル「ID Laura」がオープンソース化された。音声をクローンしてから動画の口元を合わせる従来の手法と異なり、単一モデルで映像・音声・環境音を同時に生成できる。LTX 2.3ベースで、動作には最低24GB、推奨48GBのVRAMが必要となる。
Hume AI、音声モデル「TADA」をオープンソース公開：5倍高速でスマホ動作に対応
Hume AI は音声言語モデル「TADA」をオープンソース公開した。テキストと音響表現を 1 対 1 で同期させる構造により、従来の LLM ベース TTS より 5 倍以上高速化し、1000 以上のテストで幻覚ゼロを記録。2048 トークンで約 700 秒の音声を処理でき、スマホなど端末単体でも動作する。
Tavusが「Raven-1」発表：声のトーンや表情から真の意図をリアルタイム把握
Tavusは会話相手の感情や意図をリアルタイムに解釈するマルチモーダルAI「Raven-1」を発表した。音声と映像を統合し、単なる感情ラベルではなく自然言語で状態を出力する。更新遅延は300ミリ秒以内でOpenAI互換のツール呼び出しにも対応。文字起こしに依存していた対話AIが、皮肉や躊躇といった文脈を汲み取れるようになる。
X、長文記事の音声読み上げ機能を追加：Grokが朗読、バックグラウンド再生も対応
Xは長文記事向けに、xAIのGrokが音声で読み上げる「Listen」ボタンを導入した。ユーザーはアプリ内をスクロールしながら、あるいは別アプリを開いたままバックグラウンドで聴くことができる。クリエイターの裾野拡大とともに、Grok向けの良質な学習データ獲得も狙う。
LTX Studio、企業向け動画吹き替え・字幕機能を公開
AI 動画生成プラットフォームの LTX Studio は、企業の多言語コンテンツ展開を支援する吹き替えおよび字幕機能を発表した。企業が迅速に動画をローカライズできるようにする狙いだが、対応言語や料金の詳細はまだ明かされていない。
Anthropic、Claude Codeに音声モードを追加：まずは5%のユーザーへ展開
Anthropicはコーディングツール「Claude Code」で音声モードの提供を開始した。現在は約5%のユーザー向けに先行公開されており、今後数週間で順次拡大する。アクセス権を得たユーザーは起動画面に案内が表示され、「/voice」と入力して音声操作に切り替えられる。
マイクロソフト、1時間の音声を一括処理する「VibeVoice-ASR」を公開
MicrosoftはHugging Face上で音声認識モデル「VibeVoice-ASR」を公開した。音声を細切れに分割せず、最大60分の連続音声を64Kトークン内で一度に処理可能。話者識別、タイムスタンプ、カスタムホットワードに対応し、50以上の言語の混在音声も認識できる。