10件の記事
Blackwell GPUとGrace CPUを統合した「NVIDIA RTX Spark」搭載のノートパソコンが、ASUS、Dell、HP、Lenovo、Microsoft、MSIから発売されました。薄型軽量ながら最大128GBのユニファイドメモリを搭載し、高度なAI処理やクリエイティブ作業をローカルで実行可能です。
Mistralは、リアルタイムかつ複数ステップの会話向けに設計された最先端の音声エージェントSDKと音声モデル「Voxtral 3」を発表しました。50以上の言語での正確な文字起こしや感情豊かな音声合成、ツール統合を備え、コンタクトセンターなどの自然な会話体験の構築を支援します。
grok-voice-3.0がSpeech to Speechで利用可能になりました。価格はGrok Voice 2.0と同じです。また、grok-voice-2.0は非推奨となりました。
Gemma 4アーキテクチャをベースとしたEmbeddingGemma 2が公開されました。MTEB CodeやMAEBなどのベンチマークで、1B未満のマルチモーダルモデルとしてサイズの割にトップクラスのスコアを記録し、オンデバイス推論に最適化されています。
フリート管理向けソフトウェアを提供するProactionは、CodexやGPT-Live-1、GPT-6 Astraを活用している。これにより、カスタマイズしたデモの作成時間を短縮し、案件がソリューション開発に進む割合を50%〜60%高めたとされる。
GoogleはGemini 3.8 Flash TTSとGemini 3.8 Flash-Lite TTSの2つの新モデルを発表しました。自然言語プロンプトによる音声生成やセリフ単位の演技演出が可能となり、開発者向けには9月23日より順次提供が始まっています。
Muse Realtime VoiceとMuse Realtime Avatarは、知能・音声・エンボディメントをつなぐ単一のストリーミングシステムを構成します。Muse Realtime Avatarは、Muse Realtime Voiceが生成する音声トークンのストリームを音声デコーダと共有して映像を生成するため、音声、口の動き、表情の同期が保たれます。
Grok Voice Transcribe 2.0が利用可能になりました。Speech to Textではモデルとしてgrok-voice-transcribe-1.0またはgrok-voice-transcribe-2.0が利用できます。
Meta Superintelligence Labsが開発した初のリアルタイム音声知覚モデルです。70以上の言語で訓練され、ストリーミング音声認識を土台としています。
Googleは、生の音声を正確で整った書式つきのテキストに変換する、同社として最も精度の高い音声文字起こしモデル「Gemini 3.5 Transcribe」を発表しました。言い直しやフィラーの除去、関数呼び出しによるタスク委任など、自然な対話に基づいた高度な機能を提供します。