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。
スマートフォン、PC、エッジ機器で動く AI:小型モデル、ローカル推論、端末向けチップの進展。
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。
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。
Recursiveは初の言語モデルFlintを公開した。開発過程ではEureka Machineと呼ばれるAIシステムがアイデアの提案、構築、テスト、後続実験の計画に関与した。
NVIDIAは、クリエイター、ゲーマー、AIエージェント向けのWindows PC「RTX Spark」を発表し、世界各地でローンチイベントを開催した。公式はTom's Hardware、TrustedReviews、Tom's Guideなどのメディアレビューを引用し、ローカルAI、ゲーム、クリエイティブワークフローで良好な性能を発揮するとしている。Artificial Analysisも独立テストの初期結果を公開した。
Meta が Muse Spark Open モデルを発表。これまでで最も能力の高い米国のオープンウェイトモデルだとし、同クラスで初めてデスクトップ上で動作するモデルで、最新の MLX フレームワークを搭載した Apple M5 Ultra の Mac Studio 2 台が必要だとしている。
NVIDIAはNemotron 3.5 Super VLを発表した。120Bパラメータのオープン多模态モデルで、常時稼働する専用エージェント向け。同社によるとスループットは同種モデルの最大5倍。
Google DeepMindはシンガポール政府技術庁(GovTech)と協力し、軽量なGemmaモデルを微調整して、一般的なスマートフォンで動作する端末上の詐欺検出モデルを開発した。このモデルは会話を端末上でローカルに分析し、操作的な話術を検出するとリアルタイムで警告を表示する。消費電力を抑えるため、軽量分類器による一次選別とGemmaによる文脈評価の2段階パイプラインを採用している。微調整はGovTechが管理するGCP環境で完了し、訓練データからは私的または識別可能な個人情報を排除し、匿名化されたデータセットのみを使用した。
Liquid AI は LFM2.5-24B-A2B を公開した。総パラメータ 24B、活性パラメータ 2B の推論モデルで、端末上で高速かつプライベートなエージェント用途を想定し、答える前に考え、ツールを呼び出す。
NVIDIAはRTX SparkノートPCを10月16日に発売すると発表した。最大128GBの統合メモリと1ペタフロップスのAI演算性能を備え、ローカルエージェント向けのソフトウェア更新も同時に投入する。
NVIDIAとMicrosoftはサンフランシスコのWindows AI・Surfaceイベントで、Windows PC上のAIエージェント向けにソフトとハードを共同設計すると発表した。MicrosoftはOSレベルの基盤「Microsoft Execution Containers(MXC)」が正式に利用可能になり、エージェントがシステムの制御下で安全かつ持続的にバックグラウンド動作できるようになると発表した。
Liquid AI は d1 意思決定モデルファミリーから、オープンウェイトの 2 モデル d1-3B と d1-omni-600M(実験的)を公開した。d1-3B は Decision Index 0.2.1 で 48.57 を記録し、10B 以下では最高。テキストと画像に対応する。d1-omni-600M はテキスト+画像またはテキスト+音声に対応する。
Google DeepMind は、Gemma 4 アーキテクチャをベースにした Apache 2.0 ライセンスのオープンソース・マルチモーダル埋め込みモデル EmbeddingGemma 2 を公開した。テキスト、画像、音声、動画を単一の埋め込み空間にマッピングできる。
Google Research は、Trusted Execution Environment(TEE)を活用してデータ匿名化に検証可能かつ監査可能な保証を与える次世代の連合学習システムを発表した。Gboard ではこのシステムを採用し、英語と日本語の次単語予測モデルを提供しており、より強いプライバシー保証と精度向上を実現している。
NVIDIA は今月、Acer、ASUS、Dell、Gigabyte、HP、MSI を通じて 64GB 統合メモリ版 DGX Spark を発売する。10 月 23 日販売開始、希望小売価格は 4,999 ドルから。GB10 Grace Blackwell スーパーチップ、DGX OS、NVIDIA AI ソフトウェアスタック一式を維持し、最大 1000 億パラメータのモデルをデバイス上でローカル実行できる。
Hugging FaceはtransformersにGGUF対応を追加した。Hubから量子化チェックポイントを選び、from_pretrainedにgguf_fileを渡すだけで、追加設定なしにローカル生成を実行できる。
Google Researchは、普通の2Dスマートフォン写真から体脂肪率、A/G比、V/S比を推定し、インスリン抵抗性を予測する深層学習フレームワークPhotoScanを提案した。
Google DeepMind は多言語手話からテキストへのモデル SL2T を公開し、初めて消費者製品に導入した。Pixel 11 の Gboard と Live Transcribe で米国手話(ASL)を英語テキストに変換し、今後さらに多くの端末と言語へ拡大する。
Berkeley AI ResearchとIBM Researchは進化的カーネル探索のK-SearchをMLXに拡張した。構造化したCUDA-to-MLX変換層で、既存のCUDAカーネル知識をApple Siliconに移す。
Google Research は、凍結した Gemini Nano v3 に複数トークン予測(MTP)ヘッドを接続する新構造を公開した。本体のウェイトを変えずに端末上の推論を加速し、Pixel 9 と10シリーズで提供済みだ。
Google DeepMindはノートパソコンでのローカル実行向けマルチモーダルモデルGemma 4 12Bを公開した。エッジ向けE4Bと26B MoEの中間に位置し、エンコーダーを使わない統一構造で、視覚・音声入力をLLMの本体へ直接渡す。