AI音声とオーディオ。音声合成、リアルタイム会話、音楽生成、音声理解。
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。
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。
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。
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。
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。
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。