ADKのストリーミングツールを使えば、音声エージェントは時間のかかるツールの実行中も応答を続けられる。社内の売上レポートのベンチマークでは、gemini-3.8-liveにおいてブロッキングツールからストリーミングツールに切り替えたことで、エージェントが最初の発話を始めるまでの時間が14.4秒から1.2秒に短縮された。ツールは関数をasync generatorとして定義し、returnをyieldに変えるだけでNON_BLOCKINGとして扱われる。
xAIは単体で使える音声API、Grok Speech to Text（STT）とGrok Text to Speech（TTS）を発表した。Grok Voice、Tesla車両、Starlinkのカスタマーサポートを支える技術基盤の上に構築されている。料金はSTTがバッチ$0.10/時間、ストリーミング$0.20/時間、TTSが100万文字あたり$15.00である。
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は、短い録音から自分の声をクローンし、Grok Text to SpeechとVoice Agent APIで使えるCustom Voicesを発表した。xAI consoleで約1分の自然な音声を録音すれば、2分以内に本番利用可能な音声モデルが作成される。Text to SpeechとVoice Agent APIでの利用に追加料金はない。
選定理由：録音からの音声クローン作成手順と本人確認の二段階検証、追加料金なしの条件が具体的に示されており、導入可否を判断しやすい。
xAIはGrok Voice上で本番運用向け音声エージェントを設定できるノーコード基盤「Voice Agent Builder」をベータ公開した。電話回線、ナレッジ検索、ツール、ガードレール、MCP、可観測性を一か所で使える。料金はAPIレートの1分あたり$0.08で、プラットフォーム利用料は別途かからない。
選定理由：通話の構築から料金体系までが一つの画面と少数の課金項目にまとまっており、既存の音声基盤との違いを比べる材料になる。
xAIは、Grok Voiceの新たなフラッグシップ音声21種を公開した。すべて多言語対応で、リアルタイムのVoice Agent API、Text to Speech API、新しいGrok Voice Agent Builderで今すぐ利用できる。既存の5種（Ara、Eve、Leo、Rex、Sal）も改良された手法で再学習され、話し方、言い回し、強調がより自然になった。Grok Voiceは25以上の言語に対応し、約1分の音声から独自の音声をクローンすることもできる。
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（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。
OpenAI Developers@OpenAIDevsAIスコア3131GPT-Live-1でアプリを開発している方へ。アプリに合った声を与えよう。 プロンプトで声を作る方法と、新しい海外向けプリセットボイスから選ぶ方法はこちら。
AI at Meta@AIatMetaAIスコア2929
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。
OpenAI@OpenAIAIスコア4545
研究チームは、事前学習済み音声エンコーダの言語選択的な隠れ状態次元を使い、音声から直接コードスイッチング（発話内で言語が切り替わる現象）を検出する軽量な手法を提案した。CS-FLEURSの14言語ペアで、Whisper-smallエンコーダは平均F1 0.798を達成し、CNNの0.776、単一言語識別用に学習したHuBERT線形ベースラインの0.751を上回った。結果は、事前学習済み音声エンコーダがCS発話の識別に必要な情報をすでに符号化していることを示唆している。
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。
選定理由：独立評価機関のスコアと競合モデルとの比較、料金と導入実績が並んでおり、音声エージェントの選定材料として読みやすい。
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。
Googleは、Gemini アプリの Gemini Live に、カメラや画面の共有でリアルタイムに音声支援を行う新機能「シンプルガイド」の順次提供を開始した。Android 9 以降の端末で利用でき、あわせて介護職員向けの「介護の現場を支える Gemini 活用ガイド」も公開した。
Googleは9月のAI関連発表をまとめ、最新のフロンティアモデルGemini 4 Argonを筆頭に挙げた。出力上限は100万トークンで、現在はFairwind Program経由で信頼されたサイバー防御担当者向けに提供している。ほかにGemini 3.8 Flash、Gemini appのConnected Apps、WeatherNext 3、Googlebookの予約受付なども紹介している。
選定理由：Gemini 4 Argonを軸に、音声、連携アプリ、天気予報、ゲノム研究まで9月の発表が一覧で整理されており、全体像をつかみやすい。
Googleは、対応するAndroid端末のGemini Liveで、カメラ映像を音声でリアルタイムに説明する「Guided Vision」の提供を開始した。視覚障害や弱視の人を主な対象とし、周囲の説明や追加質問への回答、カメラの向きを直す音声ガイドに対応する。Android 9以上で、Gemini Liveが使える地域と言語で利用できる。
選定理由：視覚障害者向けにカメラ共有の音声ガイドを提供し、起動方法と利用条件、ナビ用途ではないという制限まで具体的に示している。
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。
Hugging Faceが、多言語とボイスクローンに対応するオープンソースTTSモデルを客観指標で評価する「Open TTS Leaderboard」を公開した。認識精度を示すWER/CER、推論速度を示すRTFx/TTFA、話者類似度を示すSIMを用い、アリーナ型評価に比べてモデルの評価期間を数週間から数時間に短縮するとしている。人間の好みを測る評価は「Listen」タブでの投票に委ねられる。
Googleは、Gemini 3.8 Liveにリアルタイム映像アバター機能「Live Avatar」を追加した。音声対話と低遅延の映像生成を組み合わせ、口の動きや表情を伴う対話型の仮想担当者を実現する。Live Avatarは現在Gemini Enterpriseで利用可能で、97言語への対応とツール呼び出しの非同期実行をサポートする。カスタムアバターの作成はエンタープライズ向けの許可リスト制で、現時点では限られた企業のみが対象となる。
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。
選定理由：音声設計、複製、行単位の演出指示までの機能と提供先が整理されており、TTSを制作や開発に組み込む際の比較材料になる。
Ringgは GPT-5.6 を用いて、音声、チャット、WhatsApp、Webにまたがる多言語AIエージェントを構築している。GPT-4.1と比べてコストは90%少ないとされる。顧客通話の最大65%を解決しているという。
Qwen@Alibaba_QwenAIスコア5555
Google AI Developers@googleaidevsAIスコア2323
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。
選定理由：コスト重視のLiveと高難度向けExtended Thinkingの2モデルの位置づけと、ベンチマーク結果、提供範囲が一度に整理されている。
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。
選定理由：低コスト向けと高難度タスク向けの2モデル構成で、音声エージェントの評価指標や提供先が具体的に示されており、用途に応じた選択を考えやすい。
Googleは音楽生成モデルLyria 3.5をGeminiアプリとGemini APIで提供開始した。より表現力のあるボーカルと豊かな楽曲アレンジに対応し、高い忠実度でトラックを作成できる。Webとモバイルアプリで世界中の全ユーザーが利用できる。
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は8月のAI関連発表をまとめた。Gemini 3.7 Flash、Gemini 3.5 Transcribe、Pixel 11シリーズなどを公開している。Geminiアプリの月間利用者数は10億人を超えたと説明している。
選定理由：Gemini 3.7 Flash、Pixel 11、Gemini Omni 1.1 Flashなど8月の発表が一覧でき、Googleの製品展開の全体像を把握しやすい。
Hugging FaceとVoice Arenaは、Open ASR LeaderboardにMonsoon en-INとMonsoon hi-INの2つの評価セットを追加した。Hindiは、これまで欧州言語のみだった多言語タブで初のインド系言語となる。4つのスプリットは計4,888人の話者を含み、各話者に12の属性が記録されている。
Google AI Developers@googleaidevsAIスコア3131
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。
Hugging Faceは、音声認識（ASR）モデルが公開ベンチマーク固有のパターンに最適化されているかを測る3つのテストを提案した。オープンソースASRモデル11件を評価したところ、スコア上位の複数モデルが、音声と矛盾する場合でもVoxPopuliやLibriSpeechの参照書き起こしを再現した。Open ASR Leaderboardには「Benchmark fitting」タブが追加された。
SB Intuitionsは、ストリーミング音声を入力に対話キャラクターの動画応答を生成する、音声駆動動画生成のエンドツーエンド試作を紹介した。ベースにはLTX 2.3を用い、Self-Forcingを改良したODE初期化とDMD蒸留の2段階でポストトレーニングして自己回帰モデルを得ている。推論では参照画像と最初の動画チャンクのトークンをアテンションシンクとして保持する。
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。