ByteDanceと清華大がDreamID-Omni発表：画像と音声から複数人の対話動画を生成
ByteDanceと清華大学の研究チームがDreamID-Omniを発表した。画像、プロンプト、参照音声を組み合わせることで、本人の声で話す動画を生成可能。複数人の同画面会話や動画の顔・音声差し替えに対応し、3月にオープンソース公開が予定されている。
AI音声
新しいニュースを見る
バーガーキング、インカム用AI「Patty」導入：業務支援に加え「ありがとう」の発話も監視
バーガーキングは従業員のインカムに常駐する音声AI「Patty」を発表した。OpenAIの技術を活用し、レシピの確認や機材清掃の手順を案内するほか、「ありがとう」などの挨拶を従業員が口にしているかを監視して店舗の接客度を採点する。米国内500店舗で試験運用中。
OpenAI、音声対話向け「gpt-realtime-1.5」をRealtime APIに追加
OpenAIはRealtime API向けに新モデル「gpt-realtime-1.5」の提供を開始した。音声対話時の指示追従性、ツール呼び出し機能、多言語対応の精度が向上している。低遅延なリアルタイム対話の中で外部ツールを安定して連携させられるようになり、音声エージェントの開発環境が強化された。
AI音声入力「Wispr Flow」がAndroidに対応、フローティング操作で高速化
AI音声入力ツールのWispr FlowがAndroidアプリをリリースした。画面上のフローティングバブルからどのアプリ上でも呼び出せ、相槌や口癖を自動で除去して文脈に沿った整形を行う。内部構造の刷新により入力速度が30％向上したほか、100以上の言語に対応する。
Apple、iOS 26.4でCarPlayのサードパーティAI解禁へ ChatGPTやClaudeに対応
AppleがiOS 26.4でCarPlay向けにサードパーティ製AIチャットボットへの対応を追加することが判明した。開発者ガイドに音声対話アプリ枠が新設され、ChatGPTやClaude、Geminiが車内で利用可能になる。ただしウェイクワード起動や車両・端末の操作には対応せず、手動での起動が必要となる。
ElevenLabs、90言語以上対応の感情認識AIカスタマーサポート「ElevenAgents」発表
ElevenLabsは音声やチャットなど複数チャネルで常時稼働する「ElevenAgents for Support」を発表した。90以上の言語に対応し、1秒未満の応答速度と顧客の感情に合わせたトーン制御を備える。既存のSOPからノーコードで設定でき、複雑な案件は履歴付きで人間の担当者へ引き継げる。
バチカンがミサのAIリアルタイム翻訳を導入 60言語に対応
バチカンのサン・ピエトロ大聖堂が翻訳企業Translatedと連携し、ミサのAIリアルタイム翻訳を開始した。参拝者はQRコードを読み取るだけで、アプリ不要でブラウザから60言語の音声とテキスト翻訳を利用できる。基盤には同社のLara AIが採用された。
Moonshine AI、端末向け音声認識モデルを公開：Whisper超えの精度を軽量実現
Moonshine AIが、iOSやAndroid、Raspberry Piなどでリアルタイム動作する音声認識モデル「Moonshine Voice」の重みを公開した。2億パラメータのモデルはWhisper Large v3より7.5倍小さく単語誤り率でも上回る。
T-Mobile、アプリ不要の通話リアルタイム翻訳を今春テストへ
T-Mobileはネットワーク側で動作する音声通話のリアルタイム翻訳「Live Translation」を発表した。VoLTEに対応していればガラケーでもアプリ不要で使え、通話中に「87」をダイヤルするだけで50言語以上を相互翻訳できる。通話内容は保存されず、今春のベータテスト向けに登録受付を開始した。
ElevenLabsがAIエージェント向け保険を導入：誤答リスクを補償
ElevenLabsはAI音声エージェントを対象とした初の保険プランを発表した。5000回以上の攻撃シミュレーションを経たAIUC-1認証に基づき、人間の従業員のようにAIのハルシネーションなどの損害を補償できる。法的懸念で本番運用に進めない多くの企業導入の後押しとなりそうだ。
ElevenLabs、原稿からワンクリックで本を音声化する「Audiobooks」を発表
ElevenLabsは、テキスト原稿からワンクリックでオーディオブックを制作・配信できる「Audiobooks」を発表した。表現力豊かなAI音声や音声クローンに対応し、シーンごとの細かな演出や効果音の追加が可能。完成した作品はElevenReaderや主要な配信プラットフォームへそのまま一括配信できる。
MOSS-TTS公開：数秒の音声で声複製、対話やリアルタイムに対応
OpenMOSSが多言語音声モデル群「MOSS-TTS」をオープンソースで公開した。わずか数秒の音声から高精度に声色を複製でき、長文の複数人対話や超低遅延リアルタイム音声にも対応。8Bと1.7Bのモデルが提供され、GitHubで展開手順が案内されている。
SoulX-Singer：わずか数秒の音声で歌声クローン、3GB未満でCPU動作も対応
Soul-AILabはゼロショット歌声合成モデル「SoulX-Singer」をオープンソース公開した。数秒の話し声と参考音源を渡すだけで、その声で狙った曲を歌わせることができる。モデルサイズは3GB未満と軽量で、低スペックGPUやCPUでもローカル実行が可能だ。
動画の多言語吹き替えと口パクを自動同期するオープンソースツール「Just Dub It」
動画の多言語吹き替えとリップシンクを同時に処理するオープンソースツール「Just Dub It」が公開された。LTX-2 モデル向けの軽量 LoRA アダプターとして動作し、話者の容姿を保ったまま翻訳音声と口の動きを生成する。コードや重みは公開済みで、民生用 GPU でも動作する。
統合型音声言語モデル「UniAudio 2.0」公開、音声合成から効果音・音楽生成まで1つで対応
音声合成、効果音、音楽生成、音声スタイル編集を単一アーキテクチャでこなす統合モデル「UniAudio 2.0」がOSS公開された。専用の離散コーデックで理解と生成を両立し、全音響タスクの一体化を実現している。
Mistral、音声認識「Voxtral Transcribe 2」公開：リアルタイムモデルをApache 2.0でオープン化
本日、Mistral AIは新世代の音声認識モデル群「Voxtral Transcribe 2」を発表しました。4Bパラメータのリアルタイムモデル「Voxtral Realtime」はApache 2.0ライセンスで重みが公開され、200ミリ秒未満の超低遅延で端末上でも動作します。日本語を含む13言語に対応し、話者分離機能も備えています。
OpenBMBが「MiniCPM-o 4.5」公開、リアルタイム対話と自発的な割り込みに対応する9B全モダリティモデル
OpenBMBは9Bパラメータのオープンソース全モダリティモデル「MiniCPM-o 4.5」を公開した。映像や音声を同時にストリーミング処理しながら遅延なく音声で返答できる全二重通信に対応し、AI側から自発的に会話へ割り込むことも可能だ。単一GPUやMacなどのローカル環境でも動作し、文書解析や視覚認識で大手商用モデルに迫る性能を発揮する。
ElevenLabs、「Eleven v3」を一般提供開始 記号や数値の誤読率が68％減少
ElevenLabsは音声合成モデル「Eleven v3」の一般提供を開始した。文脈判断が必要な電話番号や通貨、化学式などの読み上げ精度を大幅に改善し、エラー率を15.3％から4.9％へ削減。テストでは72％のユーザーが旧版より好ましいと回答した。
オープンソースの統合音声理解モデル「MOSS-Audio」登場：4B/8Bを展開
統合音声理解モデル「MOSS-Audio」がオープンソースで公開されました。4Bと8BのサイズでそれぞれInstruct版とThinking版を用意。音声認識、話者分析、感情検出、環境音や音楽の理解を単一モデルに統合し、タイムスタンプ付きASRの精度でGemini-3.1-Proを大きく上回ります。
Apple、イスラエルのAI企業Q.aiを約20億ドルで買収 「無発声」音声入力に注力か
AppleがイスラエルのAIスタートアップQ.aiを約20億ドルで買収した。Beatsに次ぐ同社史上第2位の大型買収となる。Q.aiは顔の微細な動きから意図を読み取る技術や、声を出さずに伝える「無発声」音声入力を開発しており、AirPodsやVision Proなどのウェアラブル操作を大きく変える可能性がある。