タグ

音声

31件 · 17週間分

2026年 7月20日（月）〜 7月26日（日） 2件

7/23（木）

Anthropic、Claudeの音声モードをOpusとSonnetモデルに拡張

Anthropicは、これまでHaikuのみで提供されていたClaudeの音声モードを、より高性能なOpusとSonnetモデルにも拡張しました。これにより、ユーザーはGmail、Slack、Canvaなどのアプリでも、高度なAIとの音声対話を通じて複雑なビジネス課題を解決できるようになります。

AnthropicLLM音声

取得日：7/24

7/19（日）

YouTube HOT 70

AI音楽生成の意外な魅力と著作権の課題

AIが生成した音楽に対する評価が二分される中、アーティスト1010Benjaの「Semiramis' Dream」は、Sunoのような生成AIツールで作られたにもかかわらず、批評家や聴衆から高い評価を得ています。これは、生成AIが単なる「退屈な」音楽を超え、意外な魅力を持つ作品を生み出す可能性を示しています。一方で、Four Tetがウィングディングスのような記号列でアルバム名を発表するなど、アーティストとAIの関係性、そして著作権を巡る議論が深まっています。

音声マルチモーダル事例

取得日：7/20

2026年 7月13日（月）〜 7月19日（日） 2件

7/14（火）

Zenn ChatGPT TOP 87

ChatGPTの新音声機能「GPT-Live」が全二重アーキテクチャで自然な会話を実現

OpenAIは、ChatGPTに新音声機能「GPT-Live」を導入。全二重アーキテクチャ（フルデュプレックス型）を採用することで、人間同士のような自然な同時会話、相槌、割り込み、同時通訳を可能にし、従来のターン制会話の制約を打破しました。

ChatGPT音声LLM

取得日：7/16

7/14（火）

Zenn LLM TOP 88

AIエージェントが1人で141人月相当の仕事を半年で達成：声でのAI指示活用事例

AIと音声インターフェースを活用することで、たった1人の個人が半年間で141人月相当の作業を完了した事例が報告されました。これは、AIエージェントと人間が協調し、効率的な作業フローを構築することで、驚異的な生産性向上を実現できることを示しています。

LLMエージェント事例

取得日：7/15

2026年 7月6日（月）〜 7月12日（日） 2件

7/10（金）

ITmedia AI+ TOP 90

OpenAI、人間のような自然な会話を実現する新モデル「GPT-Live Voice」を発表

OpenAIは、音声会話向けの新モデル「GPT-Live Voice」を発表しました。このモデルは、聞き取りと発話を同時に行う新アーキテクチャにより、人間と話すかのような自然で間を空けない会話を実現し、従来の音声AIの限界を大きく超えています。

LLM音声OpenAI

取得日：7/11

7/8（水）

OpenAI Blog TOP 90

OpenAIが新世代音声モデル「GPT-Live」を発表：人間らしいリアルタイム会話を実現

OpenAIは、ChatGPTの音声機能を刷新する新世代リアルタイム音声モデル「GPT-Live」と小型版「GPT-Live-mini」を発表しました。全二重通信による人間らしい自然な会話と、バックエンドの高性能モデル連携が特徴です。

OpenAI音声LLM

取得日：7/9

2026年 6月29日（月）〜 7月5日（日） 1件

7/1（水）

Hugging Face Blog HOT 82

Hugging FaceとCerebras、Gemma 4をリアルタイム音声AIに活用

Hugging FaceとCerebrasは、GoogleのオープンモデルGemma 4をリアルタイム音声AIに応用する取り組みを発表しました。これにより、高速かつ効率的な音声処理が可能となり、低レイテンシーが求められるインタラクティブなAIアプリケーションへのGemma 4の適用が加速します。

LLM音声オープンソース

取得日：7/2

2026年 6月22日（月）〜 6月28日（日） 1件

6/26（金）

Zenn AI HOT 78

LoRA AIとAudjust AIがクリエイターの次世代AIコンテンツ制作環境を構築

LoRA技術を活用した画像・動画生成プラットフォーム「LoRA AI」と、インテリジェント音声編集・音楽生成ツール「Audjust AI」が連携し、クリエイター向けに一貫性のあるビジュアルと自然な音声コンテンツをワンストップで生成する環境を提供します。YouTuberやインディー開発者にとって強力なツールとなり得ます。

画像生成音声マルチモーダル

取得日：6/27

2026年 6月8日（月）〜 6月14日（日） 3件

6/9（火）

ロボスタ HOT 80

Googleがリアルタイム音声翻訳モデル「Gemini 3.5 Live Translate」を発表、遂に言語の壁がなくなるか

Googleは、リアルタイム音声対訳に向けた最新音声モデル「Gemini 3.5 Live Translate」を発表しました。この技術は、異なる言語を話す人々が即座にコミュニケーションできるようになり、言語の壁をなくす可能性を秘めています。

音声LLMGoogle

取得日：6/13

6/10（水）

Google DeepMind Blog TOP 90

Google DeepMind、Gemini 3.5 Live Translateで流暢な音声翻訳を実現

Google DeepMindは、Gemini 3.5 Live Translateを発表しました。これは、Google AI Studio、Google Translate、Google Meetにおいて、ほぼリアルタイムで自然な音声翻訳を提供するもので、多言語コミュニケーションの障壁を大幅に低減します。

LLM音声マルチモーダル

取得日：6/10

6/8（月）

ASCII.jp

ローカルAI「Gemma 4 12b」と音声合成「Irodori-TTS v3」を組み合わせたチャットアプリ開発

GoogleのオープンモデルLLM「Gemma 4 12b Unified」をOllamaでローカル環境に導入し、日本語特化の音声合成モデル「Irodori-TTS v3」と連携させることで、高速で自然な対話が可能なAIチャットアプリが開発されました。これにより、プライバシーとオフライン利用のメリットを享受できます。

LLM音声オープンソース

取得日：6/8

2026年 6月1日（月）〜 6月7日（日） 1件

5/31（日）

YouTube

会議用AIエージェント「VoiceCanvas」：会議の「これってそんな話だったっけ？」を解消し、認識合わせを促進

日本の企業文化に根差した会議の非効率性を解消するため、会議内容の認識齟齬を防ぐAIエージェント「VoiceCanvas」が開発されました。曖昧な目的や前提条件の変化による混乱を抑え、合意形成を支援することで、会議の生産性を向上させます。

LLMエージェント音声

取得日：6/1

2026年 5月25日（月）〜 5月31日（日） 2件

5/30（土）

Zenn AI

AIファシリテーター「Helmsman」：会議で言いにくいことをAIが代弁

Microsoft Teamsの会議にAIが参加し、人間が言いにくいことを声で代弁するAIファシリテーター「Helmsman」が開発されました。偉い人への反論や時間管理など、会議の円滑な進行を支援することで、コミュニケーションの質向上を目指します。

エージェントLLM音声

取得日：5/31

5/26（火）

ArXiv NLP HOT 80

Raon-Speech Technical Report

Raon-Speechは、英語と韓国語の音声理解、応答、生成に特化した9Bパラメータの高性能な音声言語モデル（SpeechLM）です。既存のLLMに音声機能を統合しつつ、強力なテキスト能力を維持することで、自然なリアルタイム会話を可能にします。

LLM音声マルチモーダル

取得日：5/27

2026年 5月18日（月）〜 5月24日（日） 1件

5/20（水）

YouTube

ローカルWhisperとChatGPTでYouTube自動字幕の課題を解決：音声認識と再同期パイプライン

YouTubeの自動字幕の課題に対し、Python、ローカルWhisper、ChatGPTを組み合わせた文字起こしパイプラインが開発されました。専門語彙やタイムスタンプのずれをWhisperで補正し、ChatGPTで内容を整理・補完することで、高品質な字幕生成と動画編集の効率化を実現します。

音声ChatGPTLLM

取得日：5/21

2026年 5月11日（月）〜 5月17日（日） 1件

5/11（月）

ArXiv NLP, ITmedia AI+, Google News JP / エージェント HOT 70

マルチモーダルAIの進化：音声AIエージェントと人間らしい表現力を持つSLMの登場

音声AIエージェントの導入が北陸銀行の窓口業務自動化を支援し、「あふれ呼」解消に貢献するなど、実社会でのAIエージェント活用が進んでいます。また、Anthropicが、個性や感情、さらには歌唱までを表現できるエンドツーエンドの音声言語モデル「VITA-QinYu」を発表し、マルチモーダルAIの表現力が大きく向上しています。これにより、スマートホームにおける複雑な対話処理や、より人間らしいAIアシスタントの実現が視野に入ってきました。

エージェント音声LLM

取得日：5/12

2026年 5月4日（月）〜 5月10日（日） 4件

5/10（日）

YouTube TOP 88

OpenAI、リアルタイム音声APIにGPT-Realtime-2など3つの新モデル追加

OpenAIは、リアルタイム音声APIに「GPT-Realtime-2」を含む3つの新モデルを追加しました。GPT-5レベルの推論能力を持つ音声会話モデルや、70以上の言語に対応するリアルタイム音声翻訳、ストリーミング音声認識が提供され、これにより、音声AIの応用範囲が飛躍的に拡大します。

OpenAI音声マルチモーダル

取得日：5/10

5/7（木）

OpenAI Blog TOP 90

OpenAI、音声インテリジェンスの新モデルをAPIで公開

OpenAIは、APIを通じて新たなリアルタイム音声モデルを発表しました。これらのモデルは、推論、翻訳、文字起こし機能を備え、より自然でインテリジェントな音声体験を可能にします。顧客サービスから教育、クリエイタープラットフォームまで、幅広い分野での活用が期待されます。

音声マルチモーダルOpenAI

取得日：5/8

5/4（月）

OpenAI Blog TOP 98

OpenAI、WebRTCスタック再構築で低遅延音声AIを大規模提供

OpenAIは、リアルタイム音声AIの低遅延、グローバルスケール、シームレスな会話ターンを実現するため、WebRTCスタックを再構築しました。これにより、音声AIの応答性が飛躍的に向上し、より自然な会話体験を提供します。

OpenAI音声研究

取得日：5/5

NaN/NaN（undefined）

The Verge HOT 80

AI音楽がストリーミングサービスを席巻中 — しかし、誰がそれを求めているのか？

AIが生成した音楽がストリーミングサービスに大量に供給され始めていますが、このトレンドは消費者の実際の需要に応えているのか、それとも単なる技術的実験の範疇に留まっているのかという疑問が提起されています。初期の実験的な作品から、現在はより商業的な目的でAI音楽が制作されていますが、その品質と受容性にはまだ課題があるようです。

LLM音声事例

取得日：5/4

2026年 4月27日（月）〜 5月3日（日） 1件

4/27（月）

Zenn AI

音声AIの「300msの壁」：人間らしい会話体験を実現する低遅延技術

音声AIとの会話において、300msを超える応答遅延が「違和感」を生み、800msを超えると会話が破綻するという「300msの壁」が指摘されています。本書では、PipecatやLiveKitなどの最新スタックを使い、ストリーミング設計、知覚ハック、エッジAIを駆使してこの遅延を克服し、人間らしい自然な会話体験を実現する技術とUXデザインを解説しています。

音声LLMエージェント

取得日：4/28

2026年 4月20日（月）〜 4月26日（日） 1件

4/21（火）

ArXiv NLP

脳波（EEG）からの圧縮された意味表現のデコードによる言語再構築の挑戦：Brain-CLIPLM

非侵襲的脳波（EEG）信号からの自然言語デコードは、低い信号対ノイズ比と限られた情報帯域幅により根本的な限界がありました。本研究「Brain-CLIPLM」では、EEGが完全な言語構造ではなく、圧縮された意味的アンカーを符号化するという「意味圧縮仮説」を提唱し、この仮説に基づいた言語再構築アプローチを提案します。

研究マルチモーダル音声

取得日：4/22

2026年 4月13日（月）〜 4月19日（日） 2件

4/16（木）

Google DeepMind Blog TOP 90

Google、表現力豊かな次世代音声AI「Gemini 3.1 Flash TTS」を発表：音声タグで感情や話速を細かく制御

Googleは、自然で表現力豊かな音声を生成するAIモデル「Gemini 3.1 Flash TTS」を発表しました。この新モデルは、粒度を向上させた音声タグを導入しており、ユーザーが自然言語の指示を通じて話速や感情、イントネーションなどを精密に制御できる点が特徴です。これにより、よりリアルでパーソナライズされた音声生成が可能になり、多様なアプリケーションでの活用が期待されます。

LLM音声Google

取得日：4/17

4/15（水）

Google DeepMind Blog TOP 90

Google DeepMind、表現豊かなAI音声生成モデル「Gemini 3.1 Flash TTS」を発表

Google DeepMindは、表現豊かなAI音声生成を実現する新オーディオモデル「Gemini 3.1 Flash TTS」を発表しました。このモデルは、きめ細かなオーディオタグを通じてAI音声の表現を精密に制御できる点が特徴です。

音声Google研究

取得日：4/16

2026年 4月6日（月）〜 4月12日（日） 3件

4/8（水）

Google News JP / エージェント

自律型電話AIエージェント「スパ電」が新対話モデル搭載で業務遂行精度40％向上

自律型電話AIエージェント「スパ電」が新しい対話モデルを搭載し、業務遂行精度を40%向上させたと発表しました。これにより、電話対応の自動化と効率が大幅に改善され、先行公開が開始されています。

エージェント音声事例

取得日：4/9

4/6（月）

TechCrunch AI

Google、オフライン対応AI音声入力アプリを静かにリリース：Gemmaモデル活用

Googleが、Gemma AIモデルを活用したオフライン優先のAI音声入力アプリをiOS向けに静かにリリースしました。これにより、インターネット接続がない環境でも高精度な音声認識が可能となり、プライバシー保護と利便性が向上します。

GoogleLLM音声

取得日：4/7

4/5（日）

The Verge HOT 70

Suno、音楽著作権侵害の懸念：AI生成音楽のフィルタリングが不十分

AI音楽生成プラットフォームSunoは、著作権保護を謳いながらも、そのフィルタリング機能が容易に回避され、既存の楽曲に酷似したAI生成音楽が作成される問題が指摘されています。これは、AIと著作権の新たな課題を浮き彫りにしています。

音声著作権研究

取得日：4/6

2026年 3月30日（月）〜 4月5日（日） 3件

4/4（土）

The Verge HOT 80

AIによる音楽盗用と著作権システムの課題：フォークミュージシャンがAIカバーの標的に

フォークミュージシャンのMurphy Campbell氏の楽曲がAIによってカバーされ、彼女の名前でストリーミングサービスに無断アップロードされる事態が発生した。この事件は、AI技術による創作物の悪用と、現行の著作権システムがAI生成コンテンツの急速な増加に追いついていない現状を浮き彫りにしている。

音声著作権倫理

取得日：4/5

4/2（木）

TechCrunch AI