音声・スピーチ

主要ニュース

1. 1

   OpenAIがChatGPT Voiceをデスクトップに展開、ハンズフリータスク自動化を実現

   OpenAIは、今月モバイルで立ち上げたGPT Live音声技術をデスクトップ・ノートパソコンに拡張し、ChatGPT Voiceをリリースした。この機能により、ユーザーはカレンダーの確認、メール確認、ドキュメント作成など、ほかの作業をしながら手を使わずに、意識の流れのような形でChatGPTに話しかけて、バックグラウンドで複数のタスクを完了させることができる。 デスクトップ展開は、ソフトウェアプログラマーとAIトークンの大量ユーザーという利益性の高いAI市場のセグメントを対象としている。この機能はOpenAIのプログラミング製品Codexと直接統合されており（7月9日にChatGPT Workにマージ）、開発者は他のアプリケーションでコーディング中に音声コマンドをトリガーするホットキーを設定でき、開発者がAIと対話する際の摩擦を減らすことができる。

   OpenAIは音声を過密なAI市場における競争上の優位性として位置づけている。同社はまた、GPT Live が今後のハードウェアデバイス、すなわちBloombergによると室内スピーカーと会話パートナーの役割を果たすと示唆している。Codexは7月9日のChatGPT Work立ち上げ後、1000万ユーザーに到達し、開発者の勢いが大きいことを示唆している。

2. 2

   Skipper：ボート、離れた場所の住宅、車両向けオフラインAIアシスタント

   Skipperはインターネット接続なしで動作するよう設計されたAIコンパニオンで、音声インタラクション、カスタムメモリ、HD映像、ローカル知識ストレージを備え、ボート、離れた場所の住宅、車両、ワークショップ、遠征、プライベート設置など、グリッドオフ環境での使用を想定している。 インターネット接続が不安定またはない環境のユーザーは、クラウドサービスに依存することなく、音声リマインダー、マニュアル、安全手順、機器情報などのAIアシスタンスにアクセスできるようになった。すべてのコア知能と情報は外部サーバーではなくSkipperシステム内にローカルに保存される。

   Skipperが船上、家庭、または移動中のシステムとの統合能力、ユーザー固有のコンテキストとパーソナリティの保持。本製品は特殊環境向けにカスタマイズ可能で、すべてのデータをローカルに保持するため、接続性に頼ることができない海事、離れた場所、野外作業のユーザーに魅力的である。

3. 3

   Claudeの音声モード、OpusとSonnetモデルに拡大

   Anthropicは、これまで軽量のHaikuモデルに限定されていた音声モードをOpusおよびSonnetモデルで利用可能にした。同社はGmail、Slack、Canvaなどのアプリにも音声モードを導入し、言語対応をフランス語、ドイツ語、スペイン語、ヒンディー語、インドネシア語、イタリア語、日本語、韓国語、ポルトガル語に拡張している。 Haikuは迅速な回答向けに設計され、会話を短く保つよう意図されていたが、ユーザーは音声モードをビジネス上の問題分析や複雑な応答生成など、より深い業務に応用し始めた。OpusとSonnetはそうした負荷に対応できる。詳細な分析の提供、会話の1ページのピッチへの変換、電車の遅延時のカレンダー調整といったことが可能だ。日本およびその他の市場の企業と開発者にとって、これにより単なる迅速な返答ではなく、実質的な推論能力を必要とするタスクへの音声対話が開かれることになる。

   ユーザーは会話の途中でテキストと音声を切り替えたり、モデルをその場で切り替えたりできるようになった。つまり、簡単なHaikuのチャットが問題が複雑になるにつれてシームレスにOpusにエスカレートする。言語対応に日本語が含まれたことで、ネイティブスピーカーにとっての障壁が取り除かれた。

4. 4

   Claude音声モードが3つのモデルに対応、GmailやSlack、Notionと統合

   Anthropicは、Claude音声モードをアップデートし、ユーザーがOpus、Sonnet、Haikuモデルから選択できるようにしました。音声モードはテキストチャットで最後に使用したモデルの最速版がデフォルトになります。音声モードはGmail、Google Calendar、Slack、Canva、Notionに接続でき、会議時間の更新、メール下書き、ドキュメント作成などのタスクが可能になりました。 Claude音声モードはこれまでHaikuモデルに限定され、迅速な応答に適していたため、複雑な作業には向きませんでした。より強力なモデル（OpusとSonnet）への拡張と外部アプリとの統合により、ユーザーはより長く、より実質的な会話を行い、音声を通じて直接実務作業を完了できるようになります。これはOpenAIの音声モードではまだ提供されていない機能です。

   このアップデートはすべてのプラットフォームのユーザー向けにベータ版で利用可能ですが、無料ユーザーはHaikuモデルに限定され、接続できるアプリは1つのみです。Anthropicは基盤となる音声モデルを変更していないため、ユーザーはOpenAIの最近の音声アップデートで提供された割り込み処理の改善など、会話品質の向上を体験できない可能性があります。

5. 5

   Black Forest Labs、音声付き動画生成Flux 3公開

   ドイツのAI企業Black Forest Labs（BFL）が、画像・動画・音声を統合学習するマルチモーダル基盤モデル「Flux 3」を発表しました。動画に直接音声を付加する機能をAI動画生成では初めて実装し、最長20秒のクリップに対応しています。 BFLの初期評価では、Flux 3は10秒・720pの動画でLuma Ray 3.2に対して93%の比較で、Runway Gen-4.5に対して77%の比較で優位性を示しました。単一のモダリティでは現実を完全に捉えられないという考えに基づき、複数のモダリティを組み合わせることで、より正確な「世界モデル」の構築へ向かう動きの一環とみられます。

   Flux 3 Videoは既に利用可能で、Flux 3 Imageは数週間以内のアーリーアクセス提供を予定しており、オープンウェイト版「Flux 3 Dev」の段階的公開も計画されています。また、Mimic Roboticsと協力開発した動画・行動予測モデル「Flux-mimic」はAudiの生産タスクで現在テスト中です。

6. 6

   Black Forest Labsが画像、動画、音声生成向けFLUX 3を発表

   Black Forest LabsはマルチモーダルAIモデル「FLUX 3」をリリースした。単一のプロンプトから20秒までの画像と音声・動画クリップを生成できる。このモデルは画像、動画、音声全体で統合学習されており、別個のモデルを組み合わせたものではない。ロボット工学のビジョンと行動にも対応している。 FLUX 3は同社初の公開動画生成モデルであり、創造的な生成、シミュレーション、コンピュータ利用、ロボット工学を単一の能力の関連アプリケーションとして位置付けている。Black Forest Labsはこれを「ビジュアルインテリジェンス」—物理的および デジタル環境全体で認識、予測、行動できるモデル—と呼んでおり、各モダリティを別個のツールとして扱うのではなく統合的に捉えている。

   FLUX 3は4つの製品ラインで提供される予定だ：FLUX 3 Video、FLUX 3 Image、FLUX 3 Act。リリースは当初制限されているため、より広範な利用可能性や価格詳細が後に発表される可能性がある。