本文へ移動
assaynotes
EN日本語中文

#音声

今日 0 件

10月23日

金曜日

10月22日

木曜日

  1. Nirva、装着者だけに耳を傾けるAIペンダントで3300万ドル調達

    NirvaはプレシリーズAラウンドで2500万ドルを調達し、年初の800万ドルと合わせて総調達額は3300万ドルに達した。初のデバイスは約8グラム、最大3日間駆動するペンダントで、ブレスレットとしても装着可能。ユーザー登録時に登録した声紋により装着者本人の音声だけを捉え、音声と文字起こしデータはデフォルトで保存しない。価格は249ドルで、11月から予約受付を開始し、年内に早期ユーザーへ出荷する。

10月21日

水曜日

  2. Google、Apple CarPlayに会話型Geminiナビを導入

    Googleは米国のApple CarPlayユーザー向けに、Googleマップの会話型Geminiナビを提供開始したと発表し、世界展開も進めているとしている。ユーザーは車載のGoogleマップに表示されるGeminiアイコンをタップし、音声で多段階の質問ができる。例えば観光スポットの推薦を尋ねた後、有料道路を避けるルートのナビを依頼できる。

  4. Mistral AI、リアルタイム音声エージェント向けモデル群Voxtral 3を発表

    Mistral AIは、リアルタイム音声エージェント向けのモデルファミリーVoxtral 3を発表した。音声認識モデルVoxtral Small Transcribe 3、音声合成モデルVoxtral Mini TTS 3、LiveKitベースの音声エージェントSDKで構成され、聞く・考える・ツールを呼び出す・話すを単一のストリーミングパイプラインに統合する。

10月20日

火曜日

  1. Yelp、AI音声エージェントが代わりに電話して待ち時間を調べる「Check for Me」を開始

    Yelpはレストランページで「Check for Me」機能を開始した。利用者が人数と携帯番号を入力すると、AIエージェントが代わりに店へ電話して待ち時間を調べ、結果をSMSで返信する。YelpのAIアシスタントはOpenTableと連携しアプリ内での予約に対応したほか、過去の会話の好みを記憶し、過去30日分のチャット履歴を閲覧できる。事業者向けには月額30ドルの「Smart Lead Reply」を提供し、見込み客への自動返信と絞り込みができる。

  3. Deepgram、AWS Trainium で大規模音声 AI をどう最適化したか

    Deepgram は AWS と協力し、音声認識モデル Nova-3 を Trainium2 に移植した。コールセンター分析や医療文字起こしなどオフラインのバッチ処理が対象。最終構成では Amazon EC2 trn2.3xlarge インスタンス 1 台でモデルを 8 レプリカ動かし、1 ドル当たりの処理音声量は従来の計算基盤より 11%〜70% 多い。

10月16日

金曜日

  1. IBM、Granite Switch 4.1を公開：1つのエンドポイントで対話・意思決定・音声に対応

    IBMがGranite Switch 4.1を公開した。Granite-Switch-4.1-8Bと-30Bを含み、汎用意思決定aLoRA、安全意思決定Guardian aLoRA、OpenASRリーダーボードで最速のASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに組み合わせ、VRAM使用量はベースモデル単体とほぼ同等である。

10月15日

木曜日

  3. Square、音声AIで注文できるセルフオーダー機「Square Kiosk」を発表

    Squareは21.5インチのタッチスクリーンを備えたセルフオーダー用ハードウェア「Square Kiosk」を発表した。店舗のメニューを理解しリアルタイムで応答する「agentic, conversational voice layer」を搭載し、顧客は質問や変更、代替品の要望を音声で伝えられる。

10月14日

水曜日

10月13日

火曜日

  1. Apple、初のスマートディスプレイ「HomeView」を発表、価格は299ドル

    Appleは初のスマートディスプレイ「HomeView」を発表した。価格は299ドルで、11月13日に出荷を開始し、最初の投入国は米国、英国、カナダ、オーストラリア、ニュージーランド、シンガポール、南アフリカ、インドの8カ国。すでに予約受付を開始している。

10月12日

月曜日

  1. 元Plaud幹部のPeter Mo氏、常時バックグラウンドで聞き取るAIアプリAmbiで2600万ドルを調達

    元Plaud幹部のPeter Mo氏が創業したAIアプリAmbiが、Luminous Venturesと華勤（Huaqin）がリードする形で2600万ドルの資金調達を完了し、iPhone、Mac、Apple Watch版を公開した。Ambiはユーザーを終日聞き取り、会議ではAIエージェントが自ら提案を行い、ユーザーはデバイスをまたいでタスクを継続できる。デスクトップ版はユーザーの作業を観察して記憶に保存できるようになる予定で、同社は画面、カメラ、マイクを備えたハードウェア端末の投入も計画している。

10月11日

日曜日

  2. Apple、パーソナライズ型ポッドキャストの新興Huxeのチームと技術を逆買収型の採用で獲得

    Appleは欧州委員会への届け出で、Huxe AIの一部従業員に雇用を申し出ることで合意し、Huxeの知的財産権について非独占的ライセンスを取得すると明らかにした。Huxeは、NotebookLM（現在はGemini Notebookに改称）のAIポッドキャスト機能の開発に携わった開発者らが設立したが、5月21日にアプリの終了とユーザーデータの削除を発表した。具体的な人員やAppleの今後の計画は開示されていない。

10月9日

金曜日

  1. Alexa Plus レビュー：スマートホームは強化されたが、パーソナルアシスタントとしてはまだ不十分

    Alexa Plus は生成 AI を基盤にアマゾンが作り直したデジタルアシスタントで、Echo デバイスでは Prime 会員か月額 19.99 ドルの購読が必要。現在は米国とカナダで利用できる。1 年間試した結果、スマートホームの制御やスケジュール、買い物の能力は大幅に向上し、天気などの指示への応答は 2025 年の 10〜15 秒から 3〜5 秒に短縮されたが、パーソナルアシスタント機能は未成熟で、Echo Show の広告も制御不能になっている。

  2. Natura、99ドルのスマートリング「Interface」を発表——AIエージェントを指先に

    AI・ハードウェアスタートアップのNaturaは、99ドルのスマートリング「Interface」を発表した。指を押すだけでAIエージェントにタスクを実行させたり、思いつきを記録したりでき、心拍数、HRV、睡眠、活動量などの健康指標も計測する。

10月8日

木曜日

  2. TII、1.6Bパラメータのアラビア語音声認識モデル「Falcon-ASR」を公開、アラブ首長国連邦方言に注力

    アブダビの技術革新研究所（TII）は、1.6Bパラメータの音声認識モデル「Falcon-ASR」を発表した。アラビア語を主軸にアラブ首長国連邦方言に注力し、英語、フランス語、スペイン語、ポルトガル語にも対応する。

10月7日

水曜日

  1. Amazon Bedrock AgentCore、Managed Knowledge Base、Nova Sonic で音声旅行アシスタントを構築

    Amazon Bedrock AgentCore、Amazon Nova 2.5 Sonic、Amazon Bedrock Knowledge Bases を基盤に、航空会社のアプリに音声旅行アシスタントを構築できる。旅行者は音声で旅程を照会し、座席を変更し、食事の好みを更新し、有人オペレーターに転送できる。

10月6日

火曜日

  1. Amazon Alexa Plus、数分間「lalala」を繰り返す不具合が報告される

    Amazon Alexa Plus に不具合が発生し、一部の Echo スマートスピーカーがユーザーとの会話の途中で数分間にわたり「lalala」と繰り返し言い続ける（時に歌う）現象が確認された。問い詰めても Alexa は自身の行動をまったく認識していないという。この問題はここ数週間 Reddit で複数回報告されており、複数の Echo 機種が該当し、ユーザーが動画を投稿する例もある。Amazon は「少数の Alexa Plus ユーザー」に影響する不具合であることを認め、修正作業中だとしている。

10月3日

土曜日

10月2日

金曜日

  1. Suno、音声生成機能を公開　人声とBGMを同時生成

    AI音楽生成プラットフォームのSunoが音声生成機能「Speech」を発表し、ウェブ版とモバイル版で公開ベータテストを開始した。スクリプトやプロンプトに基づいて人声を生成し、同時に合わせたBGMも生成できる。SimpleとAdvancedの2モードを用意し、AdvancedではスクリプトのカスタマイズやAI音声の性別、話し方のスタイル、生成ごとの多様性を調整でき、最長約8分。BGMはスイッチでオフにできる。

  2. Microsoft AI、音声エージェント向けの文字起こし・音声合成モデルを公開

    Microsoft AIはリアルタイム文字起こしモデル「MAI-Transcribe-2-Streaming」を公開した。Artificial Analysisの精度ランキングで1位だとMicrosoftは主張している。60言語に対応し、最初の部分結果までの遅延は100ミリ秒をわずかに超える程度。年末までの導入価格は音声1時間あたり0.54ドル。

10月1日

木曜日

  1. AI 音声スタートアップ ElevenLabs、評価額が220億ドルに倍増

    AI 音声スタートアップ ElevenLabs は、従業員が権利確定済み株式の一部を評価額220億ドルで売却できると発表した。2月の資金調達時の110億ドルから倍増した。今回の3億ドルの公開買い付けは Wellington と T. Rowe Price が共同で主導する。同社が従業員向けに用意するセカンダリー取引は2回目で、前回は2025年9月に評価額66億ドルで1億ドルの買い付けを実施した。

9月30日

水曜日

  1. Hugging Face、多言語 TTS と音声クローンの拡張可能な評価基盤 Open TTS Leaderboard を公開

    Hugging Face は、客観的指標でオープンソース TTS モデルを評価する Open TTS Leaderboard を公開し、数週間の投票による評価を数時間に短縮する。Qwen3 ASR で WER/CER を算出し、H200 GPU で RTFx と TTFA を測定、WavLM 埋め込みで話者類似度 SIM を求め、多言語と音声クローンの比較に対応する。

9月29日

火曜日

  1. ElevenLabs、音声モデル Eleven v4 とリアルタイム音声エージェント向け Turbo 版を公開

    ElevenLabs は Eleven v4 を公開した。脚本中の感情、間、効果音タグにより正確に従い、長い制作物でも声質を一貫させる。新アーキテクチャは Turbo 版にも使われ、公式テストでは約150ミリ秒で音声出力を開始した。Cartesia Sonic 3.6 の262ミリ秒、OpenAI GPT-4o mini TTS の814ミリ秒と比較されている。

9月26日

土曜日

9月25日

金曜日

9月24日

木曜日

  1. Meta Connect 2026：Muse エージェント、眼鏡ハードウェア、リアルタイム音声

    Meta は Connect 2026 で Muse を個人エージェントとして位置付け、その周辺のハードウェアと機能を更新した。音声とリアルタイム動画に対応し、バックグラウンドで作業を実行し、すべての Meta 眼鏡に導入される。各 Muse は独立したメールアドレスを持ち、Mac 版は computer use に対応し、コネクタープラットフォームには1,500超のアプリがある。

9月23日

水曜日