音声

GoogleはGemini AIアプリをApple CarPlayに接続することを発表しました。全世界のiOSユーザーは車載スクリーンを通じてGemini音声モードを使用でき、ハンズフリーでの会話が可能になり、すべての既に導入された音声モードの言語をサポートします。チャット履歴はiPhone上のGeminiアプリと同期され、ユーザーは音声で沿道のレストランを検索したり、未読メールを要約したり、返信を下書きすることができます。

SpaceXSIは、Grok Voice 3が音声から音声へのAPIをオンラインで提供し、料金は1分あたり0.08ドルであると発表しました。

IT之家の報道によると、OpenAIは2026年12月11日にChatGPTのAdvanced Voice ModeとStandard Voice Modeを正式に廃止し、今後はリソースをGPT-Liveに集中させることを発表しました。OpenAIは11月10日からユーザーに旧版音声モードの廃止通知を送信し、12月11日までユーザーは引き続き使用できます。12月11日、2つの旧版モードは「設定-音声」オプションから削除され、これらのモードを選択していたユーザーは自動的にGPT-Liveに切り替わります。以前の音声対話の記録は保持され、ユーザーはテキストまたはGPT-Liveで続けることができます。GPT-Liveはリアルタイムビデオと画面共有をサポートしていないため、ChatGPTのこれら2つの機能は引き続きAdvanced Voice Modeを使用します。ユーザーがカスタムGPTと音声対話を行う際も、12月11日までAdvanced Voice Modeを使用し続けます。

市場の情報によると、音声AI会社Deepgramはオープンソース音声AIインフラストラクチャフレームワークPipecatの開発者Dailyを買収した。両者は取引金額を公表しておらず、Pipecatのオープンソースおよびベンダーニュートラルを維持することを約束している。Pipecatは音声、ビデオストリームを管理し、音声からテキストへの変換（STT）、大規模言語モデル（LLM）、およびテキストから音声への変換（TTS）を統合して、リアルタイムインタラクションの遅延を低減する。

英偉達 (NVDA.O) は Nemotron 3.5 音声転写モデルを発表しました。

『読佳』の報道によると、Soulはリアルタイムインタラクション向けのAI音声動画統合製品「Loxinity（ロクシニティ）」を発表する予定です。この製品は、音声合成モデルLoxi Speechと動画生成モデルLoxi Avatarを傘下に持ち、連続対話シーンを主な特徴とし、口調の間や感情の起伏を強調して、同様の製品が抱える朗読感の強さや音と映像の不一致の問題を解決します。機能面では、音声セクションは音色のクローン、感情のマーク付け、API接続をサポートし、デジタル人セクションはユーザーが画像をアップロードしてキャラクターをカスタマイズし、テキストまたは音声を入力することでデジタル人の動画を生成できます。Soulは2023年に感情向けの大モデルSoulXを発表し、今年の9月にはHuawei Cloudと共同でスマート音声動画リアルタイムインタラクションソリューションを発表しました。今回のLoxinityの発表は、Soulが内部のソーシャルシーンで磨いたインタラクション能力をB2B市場に製品化して提供することを意味します。

安定したコイン発行者TetherのTether AI Research（本文中ではTether Data, S.A. de C.V.を指します）が、オープンソースの多言語自動音声認識モデルQVAC TranscribePsyを発表しました。このモデルのパラメータ数は2.54億で、完全にデバイス側で動作し、スマートフォン、スマートグラス、ヒューマノイドロボットに適しており、音声をクラウドにアップロードする必要はありません。スマートグラスはBluetoothまたはWi-Fiを介してほぼリアルタイムで処理でき、モデルはロボットの搭載プロセッサでも動作します。評価結果によると、Open ASR Leaderboardでの単語誤り率は8.02%、Multilingual LibriSpeechでは6.58%、Common Voiceでは21.56%です。Multilingual LibriSpeechでは、本文中で言及されたQwen3-ASR-0.6B、omniASR-CTC-1B-v2、OWSM-CTC-v4、Whisper-Mediumよりも優れています。6台のテストスマートフォンで、これは最も速いモデルであり、次に速いモデルよりも2.6倍速く、Whisper-smallよりも5.7倍速いです。Core MLバージョンはiPhone 17 Pro Maxで10分の音声を1.65秒に転写し、ディスク使用量はあるテストCore ML競合の半分以下で、メモリは1.7倍少なくなっています。

英国のフィナンシャル・タイムズによると、人工知能音声スタートアップの ElevenLabs の評価額が 220 億ドルに倍増した。

彭博社の報道によると、ヨーロッパで新たに設立されたテクノロジーファンド Scaleup Europe Fund は、イギリスのAI音声スタートアップ ElevenLabs への投資を交渉中であり、同社は今回のラウンドで5億ドル以上の資金調達を予定しています。このファンドの規模は50億ユーロ（約58億ドル）で、スウェーデンのプライベートエクイティ会社 EQT が管理しており、今年初めに設立されて以来、複数のヨーロッパのプライベートテクノロジー企業に投資しています。関係者によると、交渉はまだ進行中であり、取引が成立しない可能性もあります。以前、ElevenLabs は投資家と約220億ドルの評価額でのセカンダリーマーケットでの販売について交渉しており、前回の資金調達の評価額は約110億ドルでした。同社はAIを利用して広告、有声書籍、コールセンター、営業トレーニングに使用できるリアルな音声を生成しています。

アメリカ国際貿易委員会（ITC）は現地時間9月16日に、特定の音声技術を搭載した電子機器に対して特許侵害調査を開始したと発表しました。調査対象にはサムスン電子およびそのアメリカ子会社、アップル社、グーグル社が含まれています。調査の開始自体は特許侵害の認定を構成するものではありません。この調査は、BoomCloud 360 Inc.が8月14日に提出し、8月31日に補足した苦情に基づいています。苦情を申し立てた側は、関連機器がアメリカに輸入され販売される際にその特許を侵害し、1930年関税法第337条に違反していると主張し、ITCに対して限定的排除命令と停止命令の発行を求めています。この案件は行政法官によって審理され、証拠聴取が行われ、第337条に違反しているかどうかの初期判断が下され、その後ITCによって最終決定が行われます。ITCは立件後45日以内に調査の完了目標日を設定します。救済命令が発令されると即座に効力を持ち、60日後に最終命令となります。ただし、アメリカ貿易代表が60日以内に政策上の理由で否決しない限り。

Metaの関係者スぺンサー・バーネットはXで、Metaが本日Meta AI Mac OSアプリを発表したと述べました。

AI音声インタラクションのスタートアップWisprは、2.8億ドルのBラウンド資金調達を完了し、企業評価額が20億ドルに達したことを発表しました。今回の資金調達はMenlo Venturesが主導し、Notable Capital、NEA、Neo Ventures、8VC、MVP Ventures、Acrew、Peak XV、Together Fund、PLUS Capitalなどが参加しました。

韓国金融監督サービス（FSS）は、約1.19億ウォンの予算で3ヶ月間の詐欺返金システム再構築プロジェクトを開始しました。このアップグレードは、今年3月31日に改正された「電気通信詐欺損害賠償法」に合わせたもので、この法律は10月1日に正式に施行され、仮想資産を「損害財産」および「返金可能財産」の範疇に正式に含めます。新しいシステムは、トークンの種類と数量に基づいて賠償金額を計算し、資金が凍結された時のウォンの価値を基準として参照します。また、複数のアカウントからの混合詐欺資金を分解する能力も備えています。Upbit、Bithumb、Coinone、Korbit、GOPAXなどの主要取引所は、銀行と同等の反詐欺および被害者救済義務を負うことになり、取引目的の確認、疑わしい資金の監視、および疑わしいアカウントの凍結を含みます。

SBSの報道によると、韓国金融監督院（FSS）は、仮想資産に関わる音声フィッシングなどの金融詐欺による損失賠償問題に対応するため、システムの全面改革を開始しました。FSSは8月6日に「金融詐欺損失賠償システム改善プロジェクト」を始動しました。このプロジェクトは、今年10月から仮想資産の損失を賠償範囲に含めるため、現行のウォン中心の賠償計算システムを改革することを目的としています。現在のシステムは主にウォン建ての損失に基づいて賠償額を計算していますが、改革後は賠償比率を採用し、関与する仮想資産の種類と数量を考慮します。さらに、支払いが一時停止される場合、仮想資産のウォン換算価値も計算に含まれます。

TechCrunchの報道によると、Fish Audioは火曜日に5,000万ドルのシードラウンド資金調達を完了した。このラウンドはCoreline VenturesとCapital Todayが主導し、359 Capital、Parable、Play Time、Alphalist Partners、Bayhouse Ventures、Carya Venture Partners、HF0などの機関も参加した。Fish Audioは元NVIDIAの研究員Shijia Liaoによって始められた小規模なプロジェクトである。市場に表現力のある合成音声技術が不足していることに不満を感じ、彼は単一のGPUを使用して音声生成モデルを訓練し、それをオープンソース化した。現在、Fish SpeechプロジェクトのコードベースはGitHubで31,000以上のスターを獲得し、独立した開発者、ゲームデザイナー、コンテンツクリエイターによって広く使用されている。過去1年間で、Fish Audioは5つのモデルを発表しており、その中には4つの音声生成モデルと1つの音声からテキストへのモデルが含まれている。会社はそのうちの3つの音声生成モデルをオープンソース化したが、最新のS2.1 Proモデルは現在、料金が発生するAPIを通じてのみ提供されている。昨年の発表以来、このスタートアップのオープンソースおよびホスティング版モデルは800万人以上のユーザーを引き付けており、現在の年間定期収入（ARR）は2,100万ドルに達している。

AnthropicがClaudeの音声モードをアップグレードしました。料金を支払ったユーザーは、Opus、Sonnet、Haikuを選択できるようになり、もはや速度が速く能力が低いHaikuだけを使用することはありません。ユーザーは会話の中でモデルを切り替えることができ、いつでもテキストに変更することができます。Claudeはデフォルトで前回のテキストチャットで選択したモデルを使用し、そのシリーズの中で最も速度が速いバージョンを呼び出します。音声モードはGmail、Google Calendar、Google Docs、Slackを呼び出すこともできます。ユーザーはClaudeにメールを確認させたり、スケジュールを変更させたり、返信を下書きさせたりすることができ、実行する前に承認を求められます。新しいバージョンはスマートフォン、デスクトップ、ウェブでテストが開始されています。無料ユーザーはHaikuと1つの接続ツールのみを使用できます。音声は英語、日本語、韓国語など多くの言語をサポートしており、現在は中国語は含まれていません。今回の主なアップグレードはモデルの推論とツール呼び出し能力です。Anthropicは音声モデルを変更していないため、話す自然さや中断体験に明確な変化はないかもしれません。

TechCrunch の報道によると、パリの AI 音声スタートアップ Gradium が 1 億ドルのシードラウンドの資金調達を完了し、新たな投資家には Nvidia が含まれています。Gradium は Kyutai AI ラボからスピンオフされ、Google Brain、DeepMind、Facebook に勤務していた研究者 Neil Zeghidour によって共同設立され、超低遅延音声 AI モデルに特化しています。同社は昨年 12 月に 7,000 万ドルの資金調達を行い、ファーストマークキャピタル、ユラゼオ、DST グローバルパートナーズ、エリック・シュミット、フランスの通信大富豪ザビエル・ニエルなどの投資家が参加しました。新たな資金を使って、湾岸地域にオフィスを開設し、AI 人材を獲得する計画で、フランスの自動車メーカーであるルノーなどの顧客と契約を結んでいます。

CoinDeskの報道によると、韓国金融サービス委員会と金融監督院は共同で新しい規則を発表し、国内のすべての暗号通貨取引所に対して統一された出金遅延審査基準を採用するよう求めており、これは音声フィッシング詐欺を抑制するためです。新しい規則は、各取引所が独自に出金免除条件を設定する権限を取り消し、アカウントの履歴、取引パターン、行動の変化などの基準に基づいて審査を行うことを統一しました。即時出金資格を得られるユーザーは1%未満と予想されています。プラットフォームは同時に本人確認と資金の流れの監視を強化する必要があります。以前、詐欺グループは各プラットフォームの免除ルールを把握し、被害者を数分以内に現金を暗号通貨に変換して転送させるように誘導していました。今回の新しい規則は、韓国の暗号通貨リスク管理システムが業界の自主規制から国家の統一基準へと移行することを示しています。

The Blockによると、Robinhood Ventures Fundは最近、合計約3500万ドルのプライベートマーケット投資を2件完了しました。そのうち、決済会社Stripeに約1460万ドル、AI音声スタートアップElevenLabsに約2000万ドルを投資しました。Stripeの現在の評価額は約1590億ドルで、ステーブルコインプラットフォームBridgeを持っています。

イーサリアムの創設者ヴィタリック・ブテリンはXプラットフォームで投稿し、個人の安全を高め、低コストで市民の自由を保障するツールを提案しました。それは、誰もが簡単で「否認可能な」緊急通報手段を持つべきだというものです。例えば、いくつかの秘密の言葉を事前に設定し、腕時計、スマートフォン、または家庭のデバイスがこれらの言葉を聞いたときに、自動的にサイレントで911に電話をかけ、警察にリアルタイムで位置情報を送信します。これは、誘拐や強盗を心配している暗号通貨の保有者に特に効果的です。ヴィタリックは、環境が強盗が発生した際に少なくとも20％の確率で警察がすぐに駆けつけることを保証し、かつ強盗が通報がトリガーされたかどうかを察知できない場合、このような犯罪はリスクが高すぎるため実行不可能になると述べました。この機能は被害者が積極的に行動しなければ動作しないため、政府による大規模監視に悪用されるリスクは比較的低いです。