SB Intuitions、リアルタイム対話キャラクター向けストリーミング音声駆動動画生成を紹介
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。
#音声
#音声
本日1件SB Intuitions ブログAIスコア3434
Hugging Face BlogAIスコア4747 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) NewsAIスコア5959 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。
Hugging Face BlogAIスコア5252 Real World VoiceEQ、音声AIの人間らしさを測るベンチマークを公開
Real World VoiceEQは、音声AIの人間らしさを測るベンチマークである。40以上のモデルを15以上の評価軸、60以上の指標で評価し、100万件超の人間による評価に基づく。TTSでは8つの能力群すべてで上位5位に入った構成はなかった。
Microsoft AI (MAI) NewsAIスコア3636 MAIの音声モデルで詩の対話アプリ「Ode Poetry」を公開
Microsoft AIは、William Siegharts監修の音声対話アプリ「Ode Poetry」を公開した。利用者の気持ちを尋ね、実在の人物による朗読音声で詩を推薦する仕組みである。音声認識にはMAI-Transcribeを使用し、FLEURSベンチマークでWord Error Rate 4.86%と、競合の中で最も低い値を達成したという。音声合成のMAI-Voiceは短い音声サンプルからWilliamの話し方を再現する。
カラクリ ニュースAIスコア2222 三井ダイレクト損保、「KARAKURI voice agent」を導入 AIへの苦情ゼロ、営業時間外の問い合わせ52.7％を解決
カラクリは三井ダイレクト損保のお客さまセンター部に、ボイスエージェント「KARAKURI voice agent」を提供し、2026年4月から本格稼働した。マイページのログイン問い合わせに24時間365日対応し、18時以降の問い合わせ解決率は52.7％、AIへの苦情は0件（2026年5月時点）である。RAGで確認済みの社内情報に回答範囲を限定し、ハルシネーションリスクを抑えている。
Google DeepMind Blog注目記事AIスコア6666 Google、70以上の言語に対応する音声翻訳モデルGemini 3.5 Live Translateを公開
Googleは、70以上の言語でほぼリアルタイムの音声から音声への翻訳を行う音声モデルGemini 3.5 Live Translateを公開した。話者の抑揚、話す速さ、音の高さを保った自然な翻訳音声を生成する。開発者向けにGemini Live APIとGoogle AI Studioでパブリックプレビュー、Google Translateアプリ（Android、iOS）にも展開が始まった。
選定理由：開発者向けAPI、Google Meet、Google Translateアプリへの展開範囲が一度に整理されており、利用経路を比較しやすい。
Microsoft AI (MAI) NewsAIスコア4646 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 AI (MAI) NewsAIスコア5858 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 (MAI) NewsAIスコア3737 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 ブログAIスコア3030 Sony AI、5月のハイライト：ICASSPで11本の論文、基盤モデルWooshを発表
Sony AIは5月、音を研究の中心に据え、ICASSPで11本の論文を発表した。音声システムが自らの理解度についてより正直であることを目指す研究である。あわせて、ゲームや映画の音響制作者向けの基盤モデルWooshも取り上げている。
Sony AI ブログAIスコア5252 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。
Sony AI ブログAIスコア3838 Sony AI、ICASSP 2026で11本の採択論文を発表 研究ラウンドアップ
Sony AIは、5月にバルセロナで開催されるICASSP 2026で11本の採択論文を発表する。テーマは音楽理解、生成オーディオ、音声と映像のアライメント、データ品質の4つである。歌詞照合のWEALYは、Whisperのデコーダ埋め込みを使い、書き起こしなしで音声から歌詞情報を抽出する。3つの公開データセットすべてで書き起こしベースのベースラインを上回り、コードとモデルのチェックポイントも公開される。
Microsoft AI (MAI) NewsAIスコア5252 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 (MAI) NewsAIスコア5252 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 AI NewsAIスコア5252 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 News注目記事AIスコア6262 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。
選定理由：バッチ向けとリアルタイム向けの二つのモデルについて、遅延設定、料金、対応言語が並べて示されており、用途ごとの使い分けを判断しやすい。
Mistral AI NewsAIスコア5050 Le Chat、Deep Researchなど新機能を発表
Mistral AIは、AIアシスタント「Le Chat」に調査、音声、画像編集などの新機能を追加した。Deep Research（プレビュー）は、複雑な話題について構造化された参照付きレポートを作成し、音声モードは新しい音声入力モデルVoxtralで会話を可能にする。Projectsでは関連する会話をコンテキスト付きのフォルダにまとめられ、Black Forest Labsと提携した画像編集機能も加わった。
Mistral AI News注目記事AIスコア6464 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。
選定理由：文字起こしと音声の理解を一つのモデルで扱う設計で、Whisperなど他社APIとの比較や価格が示されており、導入判断の材料にしやすい。