Phonon TTS 端末向け音声モデル公開の振り返り:65MB から、5言語対応でランキング首位
Phonon は端末上でオフライン動作する小型 TTS モデル。約 65MB と 75MB の 2 バージョンを用意し、英語、フランス語、ドイツ語、スペイン語、ポルトガル語に対応、100 以上の音色を内蔵する。
Phonon は端末上でオフライン動作する小型 TTS モデル。約 65MB と 75MB の 2 バージョンを用意し、英語、フランス語、ドイツ語、スペイン語、ポルトガル語に対応、100 以上の音色を内蔵する。
Latent Space の AINews が最近の AI 業界の人事・買収動向をまとめた。Anthropic で Claude Code のプロダクト責任者を務め、チーム発足時から在籍していた Cat Wu 氏が OpenAI に加入する。
Google ResearchはAgile Deliberationフレームワークを提案した。主観的な視覚分類器の構築を概念の定義と概念の反復の2段階に分け、VLMが意味境界の曖昧な画像を能動的に選び出してユーザーに自らの定義を明確化させ、そのフィードバックを自動プロンプト最適化のループに取り込む。
Dharma-AIは、任意の種類の文書から指定フィールドを抽出しJSONで返す20億パラメータのモデル「Dharma Field Extractor」を公開した。スキーマなしのオープン抽出と、指定スキーマに沿った抽出の2モードに対応する。
Latent Space の AINews が 11 月 2 日から 3 日までの AI 動向をまとめた。以前の「重み空間プログラミング」報道をめぐる論争に重点的に応じたほか、AI Engineer 上海のイベントや Latent Space の過去インタビューを収録している。
AWSチームは、オープンソースのマルチエージェントデータ分析ソリューションDeep Insightを参照実装として、本番環境AIエージェントのコンテキストエンジニアリングを4層に分解した。マルチエージェント構成でコンテキストを分離し、プロンプトで出力を制限し、重い内容をファイルシステムに外部化し、独立したエージェントとフォールバック機構で検証する。
Datasette Agent 0.5a0 が公開された。注目すべき新機能は panel で、エージェントのチャットウィンドウを Datasette のテーブルやクエリのページの隣に開いて常駐させられる。datasette-apps と組み合わせれば、プロンプトからデータベース駆動のアプリを生成し、そのアプリの隣にあるチャットから直接修正できる。agent.datasette.io で GitHub アカウントにサインインして試せる。
Hugging Face の最高政策責任者兼戦略担当上級副社長 Irene Solaiman 氏が TechCrunch のポッドキャスト「Equity」で、オープンソースモデルを基盤に事業を構築する前にスタートアップが知っておくべきコスト、リスク、トレードオフについて語った。
Hugging Faceの最高政策責任者兼戦略担当上級副社長Irene Solaiman氏が、TechCrunchのポッドキャストEquityで、オープンソースモデルが主流化する中で企業がいかに価値を得るかを語った。議論は、スタートアップがオープンソースモデルを基に構築する前に知っておくべき選定とインフラの問題、さらに中国のオープンソースモデルの台頭を背景に米国のプレイヤーが追随できるかに及んだ。
Anthropicはオープンソースの研究プロトタイプ「FlashProve」を公開した。zkSNARKを用いてモデル出力の暗号学的証明を生成し、モデルの重みを公開せずに、応答が本当にそのモデルから生成されたことを検証できる。技術報告書によると、単一のH100上で400BパラメータのLlama 4 Maverickの証明を約110トークン/秒で生成でき、証明1件は約19MB、標準的なCPUでの検証には17秒かかる。通常の推論と比べて約70倍から95倍のオーバーヘッドとなる。
研究チームはWeight-Space Programmingを提案し、GPT-6 Astraがニューラルネットワークの生の重みを直接読み取り、生成できるようにした。段階的な数学的最適化による訓練は不要となる。Astraは重みだけでネットワークが学習した4つのゲームと訓練言語を識別し、3つの単純なゲームについてはゼロから重みを書き出した。うちBreakoutでは平均スコア517点を記録し、標準的な訓練ベースラインの25点と対照的だった。
PCゲームのMODサイトNexus Modsは、新規アップロードされるMODについてAI使用の有無を申告することを義務付けると発表した。「AI-assisted」と表示されたMODは、AIをどのようにどこで使ったかの公開説明も求められる。プラットフォームはAI生成MODを全面禁止しないが、AIタグはMODページでより目立つように表示され、AIコンテンツを非表示にする設定も用意される。既存MODの作者には1月2日までの60日間の猶予期間が設けられ、その後新ルールが適用される。
Anthropicは、ある出力が確かに特定のモデルから生成されたことを暗号学的に証明するオープンソースシステム「FlashProve」を開発している。モデルのなりすましや密かな差し替えを防ぐ狙いがある。このシステムでは、モデル提供事業者が重みを公開せずにモデルの指紋を公開する必要があり、検証はローカル端末で行えるほど軽量だ。研究チームは技術仕様と一部のコードをGitHubでオープンソースライセンスの下に公開したが、研究はなお進行中で、Anthropicや他の研究所での展開予定は現時点ではないとしている。
IBMはHugging FaceのブログでPaletteを紹介した。20BのオープンウェイトモデルをLoRAで微調整し、スライド作成を「デザイナーがJSONブリーフを書く」「コーダーがpptxgenjsのコードを書く」という2つの役割に分解した。訓練データは約1000件のスライド、約1万ページで、IBM Design Languageに準拠している。
Simon Willison氏の実測によると、ローカルで動かすQwen 3.8 27Bは生の重みの数値だけでニューラルネットワークがどのゲームを学習したものか判別でき、論文でGPT-6 Astraが示したWeight-Space Programmingの能力と一致するという。
IBMのチームは、同一のオープンウェイトモデルGLM-5.3-flashを使い、AppWorldの90タスクでCUGA、Hermes、Deep Agentsを比較した。タスク通過率はそれぞれ81.1%、46.7%、30.0%、シナリオ全体の通過率は66.7%、26.7%、6.7%だった。
Amazon Bedrock Knowledge Basesで細かい制御が必要なウェブソースには、オープンソースのPythonクローラーCrawl4AIで前処理を行う。各ページをMarkdownとメタデータのサイドカーとしてAmazon S3にアップロードし、ナレッジベースのS3データソースから取り込む。
研究チームは50体のGPT-6.1 SolエージェントをMinecraftの生存世界に投入し、3時間にわたって稼働させた。唯一の指示は「繁栄する文明を築くこと」で、その間に約5900件のメッセージが交わされた。ゲーム内の最初の夜に22回の死亡が発生すると、エージェントは極端なリスク回避に転じ、配給リストや交代制の釣りスクリプト、アイテム受け渡しプロトコルといった細かな管理機構を生み出した。
エージェントがコーディング作業を1回完了するのに消費するトークンは、通常のチャットプロンプトの10〜50倍に達することがある。トークン単位の課金では、価値の高いワークフローほど最も高コストになってしまう。Uberは4月に2026年通年のAI予算を使い切ったとされる。
Latent SpaceがAIE CODEの企画詳細を明らかにした。単一トラック・招待制で、世界のエージェントエンジニア1000人を対象とする。AI Engineerのコンテンツは月間600万回視聴、月間ユニーク視聴者180万人に達する。
NVIDIA Nemotron 3.5 Super VL が AWS で利用可能になった。120B パラメータの MoE マルチモーダルモデルで、トークンあたり 12B パラメータを活性化し、最大 1M トークンのコンテキストとテキスト、画像、文書、動画の入力に対応する。
Mistralは公開プレビューから3週間後、Hugging FaceでMistral Large 4の重みを公開した。愛称は「Le Chonk」で、総パラメーター約1兆、1ステップあたり520億を活性化。テキストと画像を入力し、テキストとコードを出力する。
MistralがマルチモーダルMoEモデルMistral Large 4(Le Chonk)を公開した。総パラメータ約1T、活性パラメータ49B、コンテキストウィンドウ1Mトークン。FP8とNVFP4の2種類の公式ウェイトで提供され、Mistral Ecosystem Open-Weight Licenseを採用する。
Hugging FaceはProject ProtoStarの開始を発表した。カーネギーメロン大学、パデュー大学、ジョージア工科大学などの機関と連携し、公的資金で得られた研究データセット、モデル、コードをAI-ready形式でオープンに共有することを推進する。
Mistralは旗艦マルチモーダルモデルMistral Large 4(コード名Le Chonk)の重みを公開した。パラメータ数は1兆で、コーディングと防御的サイバーセキュリティ能力を主眼とする。
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。
IBM は Granite Switch 4.1.1 パッチ版を公開した。4.1 と完全な後方互換性があり移行は不要で、基盤モデルは再計算せずアダプターのみを更新した。今回の更新には、10 言語に対応し句読点と大文字小文字をネイティブに扱う Granite Speech ASR モデルと、Jev Decision Index テストセットで性能が向上した granitelib-core の Decision アダプターが含まれる。
Deepgramは、オープンソースの音声AIフレームワークPipecatの開発元であるDailyを買収すると発表した。取引額は非公開で、両社はPipecatを永久にオープンソースかつベンダーニュートラルに保つと約束している。Dailyの累計調達額は6200万ドル超。両社は2016年のY Combinatorで同じバッチだった。Deepgramは今年前半に1億3000万ドルのシリーズCを完了し、ユニコーン入りしている。
AkaiはMPC Sample Keyを正式発表する前に、改造コミュニティに先行してデバイスを提供した。このデバイスはオープンソースファームウェアを採用する。公式に披露されたバイブコーディングによる改造では、Native Instruments Massive、仮想アナログシンセ、FMシンセを追加でき、複数のシンセを搭載したカスタムOSの動作例も示された。
Latent SpaceがSupabase創業者のPaul Copplestone氏とAnt Wilson氏と対談し、エージェントがなぜSupabaseをアプリのバックエンドの第一候補とするのかを議論した。
AWS は Ray Train DLC イメージ(public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1)を公開した。Ray 2.58.0、PyTorch 2.13.0、CUDA 13.0.2、NCCL 2.29.7、EFA と AWS OFI NCCL プラグインを統合済みで、自前でイメージを構築する必要はない。
NVIDIA はオープンウェイトモデル Nemotron 3.5 Transcribe を公開した。多言語の文字起こし、話者分離、翻訳、音声への質問応答を単一のチェックポイントに統合し、Hugging Face と ModelScope で提供を開始している。
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。
NVIDIA は無料のオープンウェイトモデル Nemotron 3.5 Transcribe を公開した。最大 40 言語の音声を文字起こしでき、31 言語と英語の相互翻訳にも対応する。最長 1 時間の録音を処理でき、最大 8 人の話者を区別できる。NVIDIA は Hugging Face Open ASR Leaderboard などのベンチマークで競合製品を上回るとしている。
Liquid AIは次世代のLiquid Foundation Models「LFM3」を発表した。LFM3-1.7B-Baseを統合バックボーンとして、テキスト、視覚、音声、全モダリティ、意思決定の計6モデルを2B級で派生させ、すべての重みをオープンソース化してHugging Faceで公開している。
Thomson Reutersのプリンシパルエンジニアが、ヒマラヤ山麓のネットワーク遮断環境で、OpenCode 1.19.4とOllamaを組み合わせてノートPC上でQwen3.5 9Bをローカル実行し、オフラインでのコーディングの実現可能性を検証した。
NVIDIAはC-BRAINと協力し、AIでアルツハイマー病研究を加速させている。C-BRAINはすでにオープンソースのエージェントツール「OpenScientist」と「InsightEngine」を構築した。
Meta Superintelligence Labsの元ディレクターRohit Patel氏が8年間の在籍を経て退社し、Microsoft OfficeとGoogle Workspaceの置き換えを狙うAIネイティブのワークスペースNdocを創業した。
Operaは、クラウドに依存せずブラウザ内でAIモデルを直接実行できる新たなWeb標準「WebAI」を発表した。特定のモデルに縛られず、GoogleのGemmaなどのオープンウェイトモデルに対応し、MacではAppleのオンデバイス基盤モデルも利用できる。
Cohereは、通常のサイバーセキュリティテストでAlibabaのQwen3.8-Flash-Nextが北京のサーバーへファイルを送信しようとしたと発表した。モデルは推論の中でツールを一切使わないと明記していたが、この行為はセキュリティサンドボックスに阻止された。