xAI、フラッグシップ音声モデルGrok Voice 1.0をAPIで提供開始

xAIは新フラッグシップ音声モデルGrok Voice 1.0をAPIで提供開始した。カスタマーサポートや営業など複雑な複数ステップのワークフロー向けで、τ-voice Benchイのリーダーボードで首位とされる。Starlinkの電話窓口では、営業の成約率20%、サポートの解決率70%を記録している。

xAI、音声対話モデルGrok Voice 2.0を発表

xAIは音声から音声へのモデルGrok Voice 2.0を発表した。Artificial Analysisの総合指標は82.9%で、Grok Voice 1.0の75.7%、GPT-Realtime-2.1 (High)の79.1%を上回る。料金は音声1分あたり$0.08で、2026年8月5日にgrok-voice-latestが2.0へ切り替わる。

Microsoft AI、自社開発のMAI-Voice-1とMAI-1-previewを発表

Microsoft AI（MAI）は、自社初の音声生成モデルMAI-Voice-1と、初めてエンドツーエンドで学習した基盤モデルMAI-1-previewを発表した。MAI-Voice-1は単一GPUで1分間の音声を1秒未満で生成でき、Copilot DailyやPodcastsで利用されている。MAI-1-previewはLMArenaで公開テストを開始した。

インド向けテキスト音声合成モデル「Bulbul V4 Flash」を発表

インド諸言語向けのテキスト音声合成モデルBulbul V4 Flashが登場した。本番環境でtime-to-first-audio 250ms未満を実現し、料金は10,000文字あたり₹20で、Bulbul V3の₹30から3分の1安くなった。事前学習はV4で一から行い、独自の音声データはV3の約7倍に拡大した。

AI at Meta@AIatMetaAIスコア2929

Meta Omnilingual ASRが、TIMEの「Best Inventions of 2026」の1つに選ばれた。1,600以上の言語に対応するASRモデル群で、これまでどのASRシステムも対応していなかった低カバレッジ言語500言語を含む。多くのASRはネット上で資料の多い限られた言語に集中しており、今回のリリースは普遍的な文字起こしシステムに向けた大きな一歩と位置づけられている。

Granite Switch 4.1、チャット・判定・音声認識を1つのエンドポイントで提供

Granite Switch 4.1の8Bと30Bモデルは、汎用のDecision aLoRA、安全性判定向けのGuardian aLoRA、OpenASR Leaderboardで最速とされるASRモデルGranite-Speech-5.0-Turbo-CTCを1つのモデルに統合し、1つのエンドポイントでチャット、判定、文字起こしを処理する。必要なVRAMはベースモデル単体とほぼ同じで、KVキャッシュも再利用できる。vLLMではプラグインで動作し、llama.cppもネイティブに対応している。

xAI、音声対音声モデルGrok Voice 3.0を発表 APIで提供開始

xAIはspeech-to-speechモデルGrok Voice 3.0を発表し、同日からAPIで提供を始めた。Artificial AnalysisのSpeech-to-Speech Indexで86.9点の1位となり、レイテンシは1秒未満としている。料金は前世代と同じ$0.08 / min（$4.80 / hr）である。

ELYZA、日本語の問い合わせ応答ベンチマーク「ELYZA Agent Tasks: Customer Service」を公開

ELYZAは、コンタクトセンターの電話応対業務を評価する日本語エージェントベンチマーク「ELYZA Agent Tasks: Customer Service」を公開した。通信、EC・フリマ、ホテル、宅配の4ドメイン96シナリオで、音声とテキストの両方を評価でき、Apache-2.0ライセンスでGitHubに置かれている。評価ではテキストのタスク遂行の最高スコアがgemini-3.6-flashの0.781で、音声入出力の3モデルはタスク遂行とツールがいずれも0.3を下回った。

TII、アラビア語音声認識モデル「Falcon-ASR」を発表

TIIは、エミラティ方言に重点を置いたアラビア語音声認識モデル「Falcon-ASR」を発表した。パラメータ数は1.6Bである。6つのアラビア語テストセットの平均WERは20.92%で、公表済みの最良結果より2.25ポイント良い。Hugging Face Demo Spaceで試用でき、APIは計画中である。

Microsoft AI、ストリーミング文字起こしMAI-Transcribe-2-Streamingと音声モデルMAI-Voice-2.1を発表

Microsoft AI（MAI）は、ストリーミング文字起こしモデルMAI-Transcribe-2-Streamingと、音声合成モデルMAI-Voice-2.1、高速版のMAI-Voice-2.1-Flashを発表した。MAI-Transcribe-2-Streamingは60言語に対応し、Artificial Analysisで最終・部分の両方の文字起こし精度が1位とされる。MAI-Voice-2.1は23言語・26ロケールに対応し、料金は100万文字あたり$22である。

Google DeepMind、Gemini 3.8 Flash TTSとFlash-Lite TTSを発表

Google DeepMindは、音声生成モデルGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSを発表した。Flash TTSは自然言語プロンプトによる声の新規作成や行単位の演技指示に対応し、Flash-Lite TTSは大量処理とコスト効率に特化している。両モデルは本日からGemini APIとGoogle AI Studioで提供が始まっている。

Google、音声合成モデルGemini 3.8 Flash TTSとFlash-Lite TTSを発表

GoogleはGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSの2つのテキスト読み上げモデルを発表した。Flash TTSは自然言語プロンプトで100以上の言語や方言の音声をゼロから作成でき、Hume AIのVoice Design Benchmarkで総合1位（71.4）を獲得した。両モデルは本日から順次、Gemini APIとGoogle AI Studioで提供される。

Google、Gemini 3.8 Flash TTSとFlash-Lite TTSを発表

Googleは音声生成モデルGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSを発表した。自然言語プロンプトで新しい声を作成でき、100以上の言語と方言に対応する。本日からGemini APIとGoogle AI Studioで利用でき、Gemini NotebookとGoogle Vidsにも順次提供される。

xAI、音声文字起こしモデル「Grok Voice Transcribe 2.0」を発表

xAIは音声文字起こしモデル「Grok Voice Transcribe 2.0」を公開し、同価格の前世代「Grok Voice Transcribe 1.0」より精度が2倍になったとしている。Artificial Analysisの公開リーダーボードでは、ストリーミング対応の32モデルの中で精度が首位となった。料金はバッチが1時間あたり0.10ドル、ストリーミングが1時間あたり0.20ドルで、1.0と同一である。

Google DeepMind、音声対話モデルGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表

Google DeepMindは、音声対話モデルGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表した。前者は規模とコスト効率、後者は複雑なタスク向けの設計である。Extended ThinkingはArtificial AnalysisのSpeech to Speech Quality Indexで総合1位（82.6）となり、両モデルとも本日から順次提供される。

Google、音声対話モデルGemini 3.8 LiveとExtended Thinkingを発表

Googleは音声対話モデルGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを発表した。前者は規模とコスト効率、後者は高度な多段階推論を重視している。Extended ThinkingはArtificial AnalysisのSpeech to Speech Quality Indexで82.6の1位となり、いずれも発表日から順次提供が始まっている。

Microsoft AI、音声認識モデルMAI-Transcribe-2を発表

Microsoft AIが音声認識モデルMAI-Transcribe-2を発表した。FLEURSの60言語で平均Word-Error-Rate 5.2%の1位となり、Artificial Analysisでは精度とレイテンシーのPareto Frontierを形成している。話者分離、単語単位のタイムスタンプ、verbatim/cleanの出力設定に対応し、OpenAIのGPT-Transcribeより10x高速という。価格は年末までの期間限定で1時間あたり$0.10である。

Google AI Developers@googleaidevsAIスコア3131

🗣️💬 Gemini 3.5 Transcribeを紹介する。コードベースを実際に理解する音声テキスト変換モデルである。 @Antigravityでの開発中に、この最新モデルが話し言葉の言い淀みを除去し、技術用語、ファイル名、コード変数をアクティブなコンテキストに照らして正確に特定する様子をご覧ください。ビジュアルバイアシングにより、このモデルは複雑な開発者ワークフローに、画面を認識した深いコンテキストをもたらす。

Google DeepMind、音声認識モデルGemini 3.5 Transcribeを発表

Google DeepMindは音声認識モデルGemini 3.5 Transcribeを発表した。生の音声から言い直しやフィラーを整えた整形済みテキストを直接出力し、85以上の言語を自動検出して書き起こす。Gemini APIとGemini Enterprise Agent Platformでパブリックプレビューとして提供される。

NVIDIA Magpie TTSで低遅延の多言語音声エージェントを構築

NVIDIAのオープンウェイト音声合成モデル「Magpie TTS Multilingual」は、364Mパラメータで12言語に対応し、今回新たにModern Standard Arabic、韓国語、ブラジルポルトガル語が加わった。NIMによるオンプレミス計測では、B200の1ストリームTTFAが32ms、64ストリームでは239ms、RTFXは319.81倍となる。自社インフラへのデプロイや微調整が可能で、Hugging Faceではオープンなチェックポイントが提供されている。

Microsoft AI、MAI-Image-2.5-ProとMAI-Voice-2-Flashをパブリックプレビューで公開

Microsoft AIは画像生成モデルMAI-Image-2.5-Proと音声モデルMAI-Voice-2-Flashをパブリックプレビューとして公開した。Proは同社最高忠実度の画像モデルで、Flashは MAI-Voice-2より2倍高速で32%安価、価格は100万文字あたり$15である。両モデルはFoundryやMAI Playgroundで試せる。

Microsoft AI、音声合成モデル「MAI-Voice-2」を発表

Microsoft AIが音声合成（TTS）モデル「MAI-Voice-2」を発表した。対応言語は英語のみから15言語に拡大され、並列比較テストでは前世代のMAI-Voice-1より72%の割合で好まれたとされる。5～60秒の参照音声から声を再現するzero-shot音声プロンプトに対応し、Microsoft Foundryで提供されるほか、VSCodeとDynamics 365 Contact Centerへの統合が進められている。

Microsoft Build 2026、MAIが画像・音声・推論・コーディングの新モデル7種を発表

Microsoft AI（MAI）はBuild 2026の基調講演で、画像、音声、文字起こし、推論、コーディングにわたる7つの新モデルを発表した。初の推論モデルMAI-Thinking-1は35B active parameterのMoEで256Kコンテキストウィンドウを持ち、SWE Bench Proで53%、AIME 25で97%と説明されている。モデルはFoundryに加え、Open Router、Fireworks、Basetenでも提供される予定である。

Microsoft AI、音声認識モデル「MAI-Transcribe-1.5」を発表

Microsoft AIは音声認識モデル「MAI-Transcribe-1.5」を発表した。ユーザーが指定したドメイン固有のキーワードへ予測を寄せるキーワードバイアシングに対応し、人名、製品名、医療用語などの認識を改善する。FLEURS多言語ベンチマークでは、キーワードバイアシング使用時にWord-Error-Rate（WER）が30%削減された。モデルは文脈を基に適用の要否を判断し、一般的な音声での精度は維持する。

Sony AI、効果音生成の基盤モデルWooshを発表

Sony AIは、効果音生成に特化した基盤モデルWooshを発表した。ライセンス済みのスタジオ品質ライブラリで学習した非公開モデルと、公開データで学習した公開モデルの2種類を並行して開発した。公開モデルはオープンウェイトと推論コード付きで、非商用の研究・実験向けに提供される。

Microsoft AI、MAI-Transcribe-1など3つのMAIモデルをFoundryで提供開始

Microsoft AIは、MAI-Transcribe-1、MAI-Voice-1、MAI-Image-2の3モデルをMicrosoft FoundryとMAI Playgroundで提供開始した。料金はMAI-Transcribe-1が1時間あたり$0.36から、MAI-Voice-1が100万文字あたり$22から、MAI-Image-2がテキスト入力100万トークンあたり$5、画像出力100万トークンあたり$33からである。

Microsoft AI、音声認識モデルMAI-Transcribe-1を公開

Microsoft AIは音声認識モデルMAI-Transcribe-1を発表した。料金は音声1時間あたり$0.36で、Microsoft Foundryでパブリックプレビューとなっている。CopilotのVoiceモードとMicrosoft Teamsでも段階的に展開されている。

Mistral、4Bパラメータの音声合成モデルVoxtral TTSを公開

Mistralは4Bパラメータのテキスト音声合成モデルVoxtral TTSを公開した。9言語に対応し、APIでは1k文字あたり$0.016で利用できる。人手評価ではElevenLabs Flash v2.5より自然さで上回り、ElevenLabs v3と同等の品質とされる。

Mistral AI、音声認識モデルVoxtral Transcribe 2を公開、RealtimeはApache 2.0のオープンウェイト

Mistral AIは音声認識モデルのファミリーVoxtral Transcribe 2を公開した。バッチ向けのVoxtral Mini Transcribe V2と、遅延を200ms未満まで設定できるライブ向けのVoxtral Realtimeで構成する。Realtimeは4BパラメータでApache 2.0のオープンウェイトとしてHugging Face Hubで配布され、Mini Transcribe V2のAPI料金は1分あたり$0.003である。

Mistral AI、音声理解モデルVoxtralを公開 24Bと3BをApache 2.0で提供

Mistral AIは音声理解モデルVoxtralを公開した。本番向けの24Bと、ローカルやエッジ向けの3Bの2サイズで、どちらもApache 2.0ライセンスである。APIは$0.001 per minuteから利用でき、Voxtral Mini TranscribeはOpenAI Whisperを上回る性能を半額未満の価格で提供するとしている。