遅延が百ミリ秒台まで落ちて、音声は初めて会話らしくなります。ASR から TTS までの工程を、音声から音声への一貫処理がどこで省くのか、順番管理とツール呼び出しがどう「話す」から「済ませる」へ進めるのかを説明します。
MAI-Transcribe-2-Streaming は 2026 年 10 月 1 日、Microsoft AI が公式ブログで発表した音声モデルで、音声合成モデルの MAI-Voice-2.1 と高速版 MAI-Voice-2.1-Flash も同時に登場しました。3 モデルは音声エージェント向...
AIデジタルヒューマンのツールは一見どれも似ているが、3つの主要な用途で選ぶ基準はまったく逆を向いている。ライブコマースではリアルタイムのインタラクションと販売トーク、企業のカスタマーサポートでは安定性・プライベート展開・コンプライアンス、ショート動画クリエイターでは安さ・速さ・テンプレートの豊富さ...
2026年9月30日、ElevenLabsは3億ドルの従業員向けテンダーオファーの完了を発表した。企業評価額は220億ドルに達し、今年2月の5億ドル調達（シリーズD）時の110億ドルから倍増した。2022年創業のAI音声企業は、「話すAIエージェント」を本格的なビジネスに変えつつある。 数字を見る：...
AIスマートスピーカーは買いなのか。その答えはスペック表ではなく、あなたのリビングにある。お年寄りや小さな子どもがいる家庭、あるいはスマートホーム機器をすでに数台持っているなら、家族が最もよく使うAIガジェットになる。一人暮らしでプライバシーを気にする人や、主に音楽再生が目的なら、そのお金は節約した...
2026年9月23日、OpenAIのプレジデントであるGreg BrockmanはX上で、ChatGPT Voiceの大幅なアップグレードを発表した。今回の変更は3つある。音声がGPT-6のAstra、Sol、Lunaという3モデルで駆動できるようになること、プラグインが初めて音声モードに対応するこ...
2026年9月23日、アリババのQwenチームは音声大規模モデルシリーズ「Qwen-Audio-3.1」を正式発表した。自動音声認識（ASR）、音声合成（TTS）、リアルタイム音声対話（Realtime）をカバーする5つの新モデルを一挙に投入し、さらに全く新しい「Next」シリーズ2種——Qwen-...
ボイスエージェントは「声をメインエントランスとするエージェント」と理解できます。 単に言葉をテキストに変換してモデルの返答を読み上げるだけでなく、聞くこと、理解すること、遮ること、質問すること、ツールを呼び出すこと、タスクを実行する能力をリアルタイムで同じインタラクティブなクローズドループにまとめま...
音声から音声への変換は、まず音声をテキストに変換し、その後言語モデルに渡し、最後に音声に変換するのではなく、音声入力から音声出力までモデルを直接理解し生成するモデルを指します。 この方法は実際の人間会話に近く、トーンや間、感情、話し方を保持しやすいため、ますます熱くなっています。 従来の音声リンクと...
