Cartesia、SSMモデルでAWS上に超低遅延の音声AIアプリを構築する方法
AWSパートナーのCartesiaは、State Space Model(SSM)アーキテクチャに基づくリアルタイム音声AIを開発した。テキスト読み上げのSonicと音声認識のInkはいずれも最初のバイトまでの遅延が100ms未満で、Sonicは約90msで最初の音声バイトを出力する。
AWSパートナーのCartesiaは、State Space Model(SSM)アーキテクチャに基づくリアルタイム音声AIを開発した。テキスト読み上げのSonicと音声認識のInkはいずれも最初のバイトまでの遅延が100ms未満で、Sonicは約90msで最初の音声バイトを出力する。
Gen Digitalのチームは、2026年3月に公開されたNorton Revamp向けに、Amazon Bedrock AgentCore Web Searchを使ったAI厳選ニュースエンジンを構築した。コンテンツ提案、目標レコメンド、ニュースフィードの各項目に、引用元付きのリアルタイムなウェブ知識を提供する。
Amazon Quickは、S3ナレッジベース内の非構造化ドキュメントと、セマンティック記述を付けたenriched datasetsの構造化データを同じSpaceに接続できる。カスタムチャットエージェントが単一の会話でナレッジベース、データセット、またはその両方を判断してクエリし、引用付きの統合回答を返す。Enterpriseサブスクリプションが必要で、S3バケットはデフォルトで読み取り専用権限となり、回答は質問したユーザーの権限に従う。
Netflixのテレビアプリに「AI Discover」タブが追加された。最初の実験では「Something Light」「Family Movie Night」「Quick Watches」などのテーマ別にコンテンツを推薦し、ユーザーは好みでないとフィードバックでき、アプリがそれを記憶する。
AppleはwatchOS 27.3開発者ベータでAudio Intelligenceを導入し、SiriがApple Watchのマイクにアクセスできるようにした。新機能のSiri Recapは環境リスニングで会話の要約を生成し、Live Rewindは過去15秒の音声の文字起こしを生成、デジタルクラウンをダブルクリックすると表示できる。
Netflixは火曜日、新しい「AI Discover」タブを公開すると発表した。ユーザーは気分や視聴の好み、使える時間、話題の新作などのテーマを選んで推薦を受けられる。最初のテーマには「something light」「scare me」「family movie night」「quick watches」などがあり、各タイトルの横には推薦を保存したり除外したりできる「Tune Your Recommendations」ボタンが設けられる。
Anthropic は Claude プラットフォームで Message Threads のパブリックベータを開始した。API リクエストは会話履歴全体を再送せず、直前のメッセージ以降の変更分だけを送信する。Anthropic によると、50万〜100万トークンのリクエストで最初のトークンまでの時間が約35%短縮され、コーディングエージェント、computer-use エージェント、大量の文書や画像を処理するワークフローで効果が最も大きいという。
Googleは実験的AIアプリ「Dreambeans」をインドに拡大した。米国以外では初の市場で、ヒンディー語やパンジャブ語、タミル語など13の現地語に対応する。Calendar、Gemini、Gmail、Photos、Search、YouTubeなどのGoogleサービスと連携し、プロンプトなしでパーソナライズされた画像付きストーリーを生成。最近ではVeoモデルを追加し、一部のストーリーをアニメーション化できるようにした。
Simon WillisonのLLM CLIツールとPythonライブラリが0.37版を公開。gpt-6.1-solとgpt-6.1-terraモデルを追加し、OpenAI互換エンドポイントを設定しやすくするllm openai endpoint addコマンドを加えた。
Qodo は企業の知識とコーディング規約を Codex に取り込み、開発者が pull request を出す前にリポジトリをまたいで P0 級の問題を発見できるようにする。
Circle KはAmazon Bedrockを基盤にエージェント型の自動トリアージシステムを構築し、DevOpsインシデントの平均トリアージ時間を45〜60分から15分以内に短縮した。社内指標での削減幅は67〜75%に達する。
OpenAIはChatGPTのChatとWorkの2つのタブを統合する作業を進めており、まず一部のユーザーに公開してフィードバックを集めた後、全面的に展開する。統合後はユーザーが同じ場所でファイルやプラグインを持ち込み、ChatGPTにウェブサイトの構築、プレゼンの作成、ウェブ上の操作の代行をさせることができる。Codexはデスクトップアプリ内の独立した体験として残る。ChatGPTとCodexは同一のトークン枠を共有するようになり、一部のユーザーは枠のリセットを待つ頻度が高まる可能性がある。
OpenAIはChatGPTに支払いカードとデバイスの制限を追加した。同じカードや同じデバイスに多数のサブスクリプションが紐づいていると新規契約ができなくなり、1デバイスあたりの有料アカウント数にも上限がある。上限に達すると「Device limit reached」と表示され、該当アカウントはそのデバイスで使えなくなる。
OpenAIがサポートページを更新し、12月からPlus、Pro、Businessの各プランでChatGPTとCodexの間で同一のトークン予算を共用すると発表した。Workのエージェント機能もメイン画面に統合される。
datasette-llm プラグインの 0.1a9 がリリースされた。LLM のデフォルトモデルを自動で採用するようになり、ユーザーはデフォルトモデルを明示的に設定しなくても Datasette Agent をそのまま利用できる。
The Vergeの編集者が50ドルのWaveshare ESP32-S3 1.75C開発ボードとClaude Codeを使い、Metaがまだ発売していないMuse Charm類似デバイスを再現した。
Google DeepMindと世界資源研究所は共同でForTy(Forest Typology)を開発した。2020年の世界の陸地を10メートル解像度で、原生林、天然再生林、人工林、植林地、油ヤシ・ゴム・カカオなどの樹木作物、その他の土地の6分類に振り分けたもので、著者らはこの種の世界地図としては初としている。
Amazon Bedrock AgentCore runtimeにSession endpointsが追加された。各エージェントセッションに認証付きURLを発行し、ブラウザからのリクエストをセッション内で許可されたポートへ転送する。これによりコーディングエージェントはコードを編集しながらブラウザでWebアプリをリアルタイムにプレビューできる。
Worldwide ExpressはAmazon Bedrockを基盤にマルチエージェントAIソリューションを構築し、自社の輸送管理システムSpeedShipに接続した。稼働から6カ月でアクティブな例外は75%減少、回収サイクルは4週間短縮、年間100万ドルを削減し、さらに1000万ドルのフリーキャッシュフローを一挙に解放した。
レストラン発見アプリのZestが、個人向けAI「レストランコンシェルジュ」エージェントを公開した。ユーザーは(212) 470-6067にテキストを送るだけで提案を受けられ、OpenTable、Resy、SevenRoomsを通じて席の予約まで完了する。このエージェントはグループチャットにも参加でき、複数人の好みを統合し、投票機能で意見の相違を解消する。料理ジャンル、食事制限、シーンなどの条件で絞り込むことも可能だ。ZestはPlaid経由でクレジットカードの飲食消費データを取り込み、ユーザーの好みを学習している。現在はサービスを買い物などの分野にも広げることを検討している。
Google DeepMindが英国政府と共同開発したAI計画ツールPlanAssistは、イングランドの地方計画部門に新たに12機関を加え、合計15機関で12カ月間のベータ段階に入る。
OpenAIはPro 100とPro 500プランのWorkとCodexの割り当てを倍増し、Pro 200の下位枠も倍増させた。さらに、以前計画していた削減を撤回した。Plusプランは据え置き。
Google Geminiはチャット内でPDF、Google Docs、Google Sheets、スライド、Markdown、TXT、コードファイルを直接生成・プレビュー・編集できるようになった。本機能は本日から全Geminiユーザーに開放される。PDFのプレビューと編集はウェブ版とモバイル版の両方で利用でき、その他のファイル形式は現時点ではウェブ版のみとなる。ユーザーはドキュメントを全画面表示で展開して編集でき、テキストを選択してGeminiに質問したりファイルの修正を指示したりできる。例えば表をグラフに変換させることも可能だ。
MetaはAIファッションアプリ「Style Sketch」を静かに公開した。Instagramと連携し、投稿済みの写真からバーチャルワードローブを構築できるほか、撮影や動画撮影、アルバム画像のアップロードで手動でアイテムを追加することも可能。手持ちの服に基づくコーディネート提案や、体型と肌色に合わせたバーチャル試着に対応し、現在インドネシア、シンガポール、タイでiOSとAndroid向けに提供されている。目的地や旅行日数、予定を入力すると、天気予報を踏まえた日別のコーディネート計画も得られる。
AWS BatchがSageMaker Trainingジョブ向けのクォータ管理機能を提供開始した。管理者はチームやプロジェクト単位でクォータシェアを割り当てでき、RESERVE、LEND、LEND_AND_BORROWの3つのリソース共有ポリシーにより、アイドル状態のGPU容量を自動で貸し出し・借用できる。
Epsilon の Agentic Platform チームは、Amazon Nova Act と Amazon Bedrock AgentCore Browser を基に、意図駆動型 UI テストをマルチテナントのプラットフォームサービスとして提供し、既存の Playwright 回帰スイートの上に重ねている。
Amazonはホリデーシーズンを前に、Alexaへ100以上の買い物関連機能を追加した。買い物リストの作成・管理、サブスクの配送周期の変更、配送先住所や置き配の指示の編集、PrimeやAudibleのサブスクおよび請求に関する質問への回答に対応する。Amazonによると、エージェント機能を使うユーザー数は今年に入って8倍に増え、過去12カ月間で4億人以上がAlexaを買い物に利用した。
会議記録ツールから出発したGranolaが音声入力機能を公開した。MacでFnキーを押せば音声入力ができ、ツールがテキストを自動で整えて整形する。あらゆるアプリでメモやプロンプト、メールの返信を貼り付けられ、文字数無制限で無料で使える。同機能はiOSとWindowsにも順次対応する予定。これに先立ちWisprは音声入力ツールから会議記録へと領域を広げており、FirefliesやSpeechify、Monologueなど音声アプリも多機能化の方向にある。
ニューヨーク・タイムズはCookingアプリでAIによるレシピ変更機能をテストしている。食材や調理器具の代替を提案し、任意の人数分にレシピを換算し、異なる鍋にも対応する。現在はiOS版のCooking購読者全員に提供され、今後対象を広げる予定。カスタマイズしたレシピは非公開で共有できない。一部の読者はコメント欄でAIの環境負荷や使い勝手に疑問を呈しており、公式は無効化オプションは現時点で用意しないとしている。
Hugging Face は Swift パッケージ「AnySpeechRecognizer」と「AnyDecisionModel」を公開した。Apple プラットフォームの開発者がエンジンを選んで音声認識と意思決定タスクを実行できる。
Amazonはホリデーシーズンを前に、Alexaに100以上の買い物関連機能を追加した。買い物リストの作成・編集、サブスクの周期管理、配送先住所や置き配などの指示の変更に対応し、PrimeやAudibleのサブスク、請求・支払いに関する質問にも答える。Amazonによると、エージェント機能を使うユーザー数は年初から8倍に増え、過去12カ月で4億人以上がAlexaで買い物をした。
Anthropicは、企業の管理者がチームによるClaude Codeなどのツールでの成果、消費したトークン数、ワークフローがどこで滞ったかを期間ごとに確認でき、改善提案も得られるレポートツールを発表した。これらのデータは既定ではモデル学習に使用しない。
AnthropicはClaude for Legal向けに新しいartifactsを投入した。インタラクティブな概要と表で、引用の検証、各国法の比較、案件ファイルの管理、立法動向の追跡、社内基準に照らした契約書の確認といった業務をこなす。
GoogleはAndroid Dev SummitでAndroid Studio Rabbit 2を発表し、オープンソースのAgent Client Protocolを通じてClaude Agent、Codex、Google Antigravityなど40以上のコーディングエージェントをIDE内で実行できるようにした。
Google AI Modeに「2020年の米大統領選で誰が勝ったのか」と直接尋ねると、直接答える代わりに米連邦選挙委員会(FEC)の公式報告書を参照するよう促した。2024年の大統領選についても同様の間接的な回答で、2012年の大統領選ではThe American Presidency Projectのデータセンターへ誘導された。これに対し、2000年以降の他の歴代大統領選の勝者については、AI Modeは詳細かつ正確な回答を示した。
LegoraはOpenAIのモデル、ChatGPT、Codexを基盤に、法律業務向けのエージェント型オペレーティングシステムを構築している。法務ワークフローの加速と契約分析機能の拡張を狙う。弁護士を反復作業から解放し、より価値の高い業務に集中できるようにするのが目的だ。
Chromeの拡張オートフィルがGemini with Personal Intelligenceを使い、Gmailから情報を取得するようになった。配送追跡番号、航空便の予約番号、ホテル予約、最近の注文番号を自動で提案し、ユーザーが確認メールを探す手間を省く。
GoogleはConnected Appsプラットフォームを発表した。企業や開発者が自社アプリをGeminiとGoogle Searchに接続できるようにするもので、現在は米国の開発者向けにベータ版として提供され、ウェイトリストへの申請が必要だ。
GoogleはChrome向けに強化版AI自動入力を導入した。ユーザーのGmailからフライト確認番号、会員ID、配送情報、注文番号、住所、電話番号、クレジットカード番号などを抽出し、オンラインフォームに入力できる。
NVIDIAはRTX Sparkの薄型軽量ノートPC向けに一連のアップデートを提供する。オープンウェイトの音声モデルNemotron 3.5 Transcribe、Liquid AIのLFM3シリーズモデルへの対応、NVIDIA AppでフォアグラウンドアプリとバックグラウンドAgentの間でGPUリソースを配分できる制御項目などが含まれる。