音声（マルチモーダル）に関するニュース一覧

Microsoftは2026年4月2日、自社開発の基盤AIモデル3種（MAI-Transcribe-1、MAI-Voice-1、MAI-Image-2）を発表しました。音声認識・音声生成・画像生成の3分野をカバーし、Microsoft FoundryとMAI Playgroundで即日提供を開始しています。

音声認識モデルMAI-Transcribe-1は、業界標準のFLEURSベンチマークで上位25言語において平均WER3.8%を達成しました。OpenAIのWhisper-large-v3を全25言語で上回り、GoogleのGemini 3.1 Flashにも22言語で勝利するなど、最高水準の精度を示しています。

この動きを可能にしたのは、2025年10月のOpenAIとの契約再交渉です。従来MicrosoftはAGIの独自追求を契約上禁じられていましたが、新条件により自社モデル開発の自由を獲得しました。ムスタファ・スレイマン率いる超知能チームが正式に発足し、AI自給自足を目指しています。

注目すべきは開発体制の効率性です。音声認識モデルはわずか10人のチームで構築され、画像チームも10人未満とのことです。競合の半分のGPUで最高水準の性能を実現しており、AI事業のコスト構造を根本的に変える可能性があります。

価格面では全ハイパースケーラー最安を明言し、MAI-Voice-1は100万文字あたり22ドル、MAI-Image-2はテキスト入力100万トークンあたり5ドルに設定されました。スレイマン氏は今後、大規模言語モデルでもフロンティア級の自社モデルを投入する方針を示しており、Microsoftの競争戦略は新たな段階に入っています。

MicrosoftのAI部門CEOムスタファ・スレイマン氏は2026年4月、同社の大規模組織再編を経て超知能（スーパーインテリジェンス）の開発に専念する方針を明らかにしました。この移行は約9カ月前から準備されており、OpenAIとの契約再交渉が正式な転換点となりました。

スレイマン氏は超知能の定義について、AGIのような曖昧な概念ではなく「何百万もの企業顧客に製品価値を提供できるモデルの能力」と明確に位置づけています。開発者・企業・消費者への実用的な価値提供を最優先とし、OpenAIの新戦略とも方向性が一致しています。

組織面では、企業向けと消費者向けのチームをCopilotブランドのもとに統合しました。元コーポレートVPのジェイコブ・アンドレオウ氏がEVPとしてエンジニアリング・製品・デザインを統括し、スレイマン氏はフロンティアAIモデルの開発に集中できる体制を整えています。

新たに発表された音声書き起こしモデルMAI-Transcribe-1は、25言語に対応し背景雑音や音声の重なりなど困難な録音条件でも高精度で動作します。GPU費用は他社最先端モデルの半額で、企業にとって大幅なコスト削減となります。Microsoft FoundryおよびAI Playgroundで商用利用が可能です。

開発手法としては、官僚主義を排した10人の少数精鋭チームを採用しています。Meta・Amazon・Googleなど他社もフラット化を進めており、Anthropicも少人数チームに一定の計算資源を自由に使わせる実験を行うなど、業界全体で小規模チームによるイノベーションが加速しています。

AI議事録アプリGranolaが、ユーザーのメモを初期設定で「リンクを知っている全員」に公開していることが判明しました。同社は公式サイトで「メモはデフォルトで非公開」と説明していますが、実際の設定は異なっていました。

The Vergeの検証では、ログインしていないプライベートブラウザからでも自分のメモにアクセスできることが確認されました。メモの作成者名や作成日時も表示され、箇条書きを選択すると文字起こしの引用やAI要約も閲覧できる状態でした。

セキュリティ上の懸念から、ある大手企業は上級幹部に対してGranolaの使用を禁止したとThe Vergeが報じています。LinkedInでは昨年すでにこの問題を指摘する投稿があり、リンクが漏洩すれば誰でも閲覧可能になるリスクが警告されていました。

さらに非エンタープライズプランのユーザーは、匿名化されたデータがAIモデルの改善に使用される設定が初期状態で有効になっています。ただしOpenAIやAnthropicなど外部企業へのデータ提供は行っていないと同社は説明しています。

対処法として、Granolaの設定画面から「Default link sharing」を「Private」または「Only my company」に変更できます。AI学習についても設定メニューからオプトアウトが可能です。データは米国のAWSに暗号化保存され、音声データは保存されません。

Google DeepMindは2026年4月1日、オープンモデル「Gemma 4」を4サイズ同時に公開しました。最上位の31BモデルはArena AIリーダーボードでオープンモデル世界3位を獲得し、ライセンスは従来の独自条項からApache 2.0へ変更されました。

31B Denseは高品質な推論特化、26B MoEは128個の小規模エキスパートのうち8個だけを活性化し、31B級の性能を4B級の速度で実現します。AIME 2026で31Bが89.2%、MoEが88.3%を記録し、前世代Gemma 3の20.8%から飛躍的に向上しました。

エッジ向けのE2BとE4Bは、スマートフォンやRaspberry Pi、Jetson Nanoで完全オフライン動作します。Per-Layer Embeddings技術により、E2Bは総パラメータ51億ながら実効2Bとして軽量に動き、音声認識もモデル内で処理できます。

全モデルが画像・動画・音声のマルチモーダル入力に対応し、関数呼び出しもアーキテクチャレベルで統合されています。可変アスペクト比の画像処理、最大256Kトークンの長文脈、140以上の言語への対応により、エージェント型AIワークフローの構築基盤として設計されています。

Apache 2.0ライセンスへの移行は、企業導入における法的障壁を解消する重要な転換点です。NVIDIAとの協業によりRTX GPUからDGX Sparkまで最適化され、Ollama・llama.cpp・Hugging Faceなど主要ツールが初日から対応しています。中国系モデルがオープン化を後退させる中、Googleは逆方向の戦略を明確にしました。

Googleは2026年4月、スマートホームアプリ「Google Home」の最新アップデートを公開しました。AIアシスタントGeminiによる音声操作がより自然かつ正確になり、家電制御の利便性が大幅に向上しています。

照明の操作では「海の色」のように抽象的な表現で指示できるようになりました。Geminiがプロンプトを解釈し、適切なカラーを自動で選択します。従来のコマンド型操作から、自然な会話による直感的な操作へと進化しました。

スマートオーブンの予熱温度や加湿器の湿度レベルなど、具体的な数値指定にも対応しました。さらにデバイス識別の精度が向上し、「ランプ」と「ライト」の区別が可能になったことで、リクエストの処理速度も改善されています。

Gemini Liveのニュース要約機能も強化されました。スマートディスプレイやスピーカーで「最新ニュースは？」と尋ねると、より詳細でインタラクティブな要約を提供します。音声対話の中でシームレスにニュースを確認できる体験が実現しています。

今回のアップデートは、先月導入されたカメラのLive Search機能に続くものです。子どもの管理付きGoogleアカウントでもGemini for Homeが利用可能になり、家族全体でのスマートホーム活用が広がります。全機能は順次提供が開始されています。

米カリフォルニア州のスタートアップKintsugiは、7年間にわたり開発してきた音声からうつ病や不安障害の兆候を検出するAIについて、FDA（米食品医薬品局）の承認を取得できず、事業を閉鎖し技術の大部分をオープンソースとして公開することを発表しました。

同社はDe Novo経路と呼ばれる新規・低リスク医療機器向けの承認ルートを利用していましたが、FDAの枠組みは従来型の医療機器を想定しており、継続的に更新されるAIモデルには不向きであることが大きな障壁となりました。トランプ政権の規制緩和方針にもかかわらず、現場レベルでの改善は進んでいません。

資金面でも深刻な課題がありました。政府閉鎖による審査遅延が重なり、最終申請を待つ間に運転資金が枯渇しました。CEOのグレース・チャン氏は、週5万ドルの資金提供と引き換えに100万ドル相当の株式を要求するような「略奪的」な条件を拒否し、代わりに技術のオープンソース化を選択しました。

オープンソース化されたメンタルヘルス検出モデルについては、臨床外での悪用リスクが指摘されています。雇用主や保険会社が医療上の安全策なしにツールを展開する可能性があるほか、モデルの訓練・検証記録が不十分な場合、他社がFDA承認を取得することも困難になるとキングス・カレッジ・ロンドンの専門家は警告しています。

一方、同社が公開しなかった技術の中にはディープフェイク音声検出機能があります。メンタルヘルスモデルの強化実験中にAI生成音声の識別能力が偶然発見されたもので、FDA規制の対象外であるため、今後の事業化の可能性を残しています。チャン氏は、他の創業者がこの経験に萎縮せず挑戦を続けることを願っていると語りました。

2026年のコーチェラ音楽フェスティバルが、4月10日午後4時（太平洋時間）からYouTubeで独占ライブ配信されることが発表されました。全7ステージが同時に中継され、世界中のファンが自宅から参加できます。

配信ではコーチェラ・ステージ、アウトドア・シアター、サハラの主要3ステージが4K高解像度で視聴可能です。高画質配信により、現地さながらの臨場感をリビングで体験できる環境が整いました。

テレビ端末向けにはマルチビュー機能が提供され、最大4ステージを一画面に表示しながら音声フィードをシームレスに切り替えられます。ただし一部制限が適用される点には注意が必要です。

第2週目には、アーティストやクリエイターと一緒に視聴できる「Watch With」配信が実施されます。さらにYouTube Shoppingを通じて限定グッズの購入も可能となり、視聴と物販が一体化します。

またCoachella TVチャンネルでは、過去の象徴的なパフォーマンスのアーカイブ映像や2026年のハイライトも配信予定です。YouTubeは音楽ライブ配信プラットフォームとしての地位をさらに強固にしています。

2026年3月、Googleは検索、生産性ツール、デバイス機能、ヘルスケア、開発者向けツールなど幅広い分野でAI関連の新機能を一斉に発表しました。日常生活をより便利にすることを目指した大規模なアップデートです。

Search LiveはAI Modeが利用可能な200以上の国と地域に拡大され、音声やカメラを使ったリアルタイム対話が可能になりました。またCanvas機能が米国全土で利用可能となり、長期的な計画やコーディング作業をSearch内で直接行えます。

GeminiはGoogle Workspace全体で強化され、Docs・Sheets・Slides・Driveにおいてファイルやメールを横断的に分析する機能が追加されました。特にSheetsでは最先端の性能を達成し、複雑なデータ分析の精度が向上しています。

Google Mapsには会話型のAsk Maps機能が導入され、複雑な質問への回答や予約も可能になりました。Personal IntelligenceはGmail・Photosなどと連携し、個人に最適化された検索結果を提供します。

モデル面ではGemini 3.1 Flash-LiteとFlash Liveをリリースしました。Flash-Liteは高速・低コストで大規模展開に適し、Flash Liveは200以上の国でリアルタイム音声対話を実現しています。

開発者向けにはGoogle AI Studioにバイブコーディング機能を搭載し、プロンプトから本番対応アプリを構築できるAntigravityコーディングエージェントを提供開始しました。音楽生成モデルLyria 3 Proも公開されています。

ヘルスケア分野では年次イベント「The Check Up 2026」で臨床教育のAI活用に1000万ドルの資金提供を発表しました。Fitbitのパーソナルヘルスコーチも拡張され、睡眠や栄養管理の助言機能が強化されています。

Elgatoは2026年4月1日、カスタムボタンデバイス「Stream Deck」のソフトウェアをバージョン7.4に更新し、AIアシスタントからボタン操作を実行できるMCP（Model Context Protocol）対応を発表しました。

MCPは、AIアシスタントが外部アプリケーションと直接連携するための標準プロトコルです。今回の対応により、Claude、ChatGPT、Nvidia G-Assistなどのツールから、Stream Deckに割り当てたマクロ操作を音声や文字入力で呼び出せるようになります。

設定方法は、Stream Deckアプリを最新版に更新後、「Preferences」の「General」タブから「Enable MCP Actions」にチェックを入れます。すると専用の「MCP Actions」プロファイルが作成され、そこに配置したアクションがAIツールからアクセス可能になります。

実際の利用には、Node.jsツールとElgato製のMCPサーバーブリッジをパソコンにインストールする必要があります。MCP統合に不慣れなユーザーにはやや複雑ですが、Elgatoは詳細なステップバイステップのガイドを公開しています。

MCPはMicrosoft、Anthropic、Figma、Canvaなど主要企業が採用を進めており、AI連携の「USBケーブル」とも呼ばれる共通規格として急速に普及しています。Stream Deckへの対応は、ハードウェア操作にもAI連携が広がる事例として注目されます。

AI動画生成の大手Runwayは2026年3月、早期段階のスタートアップを支援する1000万ドル規模のベンチャーファンドと、APIクレジットを無償提供する「Builders」プログラムの立ち上げを発表しました。同社は動画生成ツールからより広い「映像知能」のエコシステム構築へと事業を拡大します。

ファンドは既存投資家やパートナーの出資で組成され、プレシードからシード段階の企業に最大50万ドルを投じます。投資対象は、AIの技術的フロンティアを開拓するチーム、基盤モデル上のアプリケーション層を構築する開発者、新しいメディア創作や配信に取り組む企業の3分野です。

過去1年半にわたり、Runwayは非公開で複数のスタートアップに出資してきました。AI向けデータベースのLanceDBや、AIでたんぱく質設計を行う創薬企業Tamarind Bio、リアルタイム音声生成のCartesiaなどが含まれます。

Buildersプログラムでは、シードからシリーズCの企業が50万APIクレジットと、同社の「Characters」APIを利用できます。Charactersはリアルタイムで対話可能な映像エージェントを生成する技術で、顧客対応やブランドキャラクター、遠隔医療、教育など幅広い活用が見込まれています。

Runwayはこれまでに約8億6000万ドルを調達し、評価額は約53億ドルに達しています。AI企業がVC活動に乗り出す動きは、OpenAIのStartup FundやPerplexityの5000万ドルファンドなど業界全体に広がっており、Runwayもこの潮流に本格参入した形です。

OpenAIは2026年3月31日、ChatGPTがApple CarPlayに対応したことを明らかにしました。iOS 26.4以降と最新版のChatGPTアプリをインストールすることで、車内ダッシュボードからAIチャットボットを音声で利用できるようになります。

Appleは先日リリースしたiOS 26.4のアップデートで、CarPlayにおける「音声ベースの対話型アプリ」のサポートを追加しました。これにより、AI chatbotが車載プラットフォームで音声機能を通じて利用できる道が開かれました。

CarPlay上のChatGPTでは、テキストによる会話表示は行われません。Appleの開発者ガイドラインでは、アプリがテキストや画像をレスポンスとして表示しないよう求めており、安全な運転環境の確保が重視されています。画面上にはミュートボタンと会話終了ボタンのみが表示されます。

一方で、過去にChatGPTと交わした会話の一覧を確認する機能は備わっています。ただし、Siriのようなウェイクワードには対応しておらず、利用するにはCarPlay画面上でアプリアイコンをタップして起動する必要があります。

今回の対応により、運転中でもハンズフリーでChatGPTに質問や相談ができるようになります。経営判断やビジネス情報の確認を移動中に行いたいビジネスパーソンにとって、車内での生成AI活用の選択肢が広がる動きといえます。

Amazon傘下のスマートカメラ企業Ringは2026年3月、自社カメラ向けのAIアプリストアを米国で正式に開設しました。1月のCESで予告されていた同ストアは、世界に1億台以上設置されたRingカメラの映像・音声データをAIで活用し、ホームセキュリティ以外の用途へ拡張することを目指しています。

開設時点で約15のアプリが利用可能です。SoftBank出資のDensity社は高齢者の見守りアプリ「Routines」を提供し、転倒や生活パターンの変化を家族に通知します。QueueFlowは待ち時間・混雑状況の分析、Minutは民泊ホスト向けの騒音・温度監視など、業種特化のアプリが揃っています。

創業者兼CEOのJamie Siminoff氏は「AIにより長いテールのユースケースが開ける」と語り、年内に数百のアプリを数十の業種で展開する計画を示しました。鳥の識別やリスク検知、芝生の健康管理、来店者カウントなど多彩なカテゴリーのアプリが開発中です。

一方、監視技術への消費者の反発も強まっています。Ringは迷子ペット捜索や山火事検知などの機能を公開した結果、AIカメラによる追跡・録画への懸念が顕在化しました。同社は顔認識ツールやナンバープレートリーダーの提供を禁止し、法執行機関向けAIカメラのFlock Safetyとの提携も解消しています。

収益面では、Ringがユーザーをパートナーアプリに誘導した際に10%の手数料を徴収します。ユーザーはパートナーのアプリを別途ダウンロードする仕組みのため、AppleやGoogleのアプリ内課金手数料を回避できる点が特徴です。サブスクリプションのほか買い切りや広告モデルにも対応する方針で、開発者はRingの開発者サイトからアプリを申請できます。

Amazonは2026年3月31日、AI音声アシスタントAlexa+に、Uber EatsとGrubhubからの会話型フード注文機能を追加したと発表しました。対応端末はEcho Show 8以上です。

従来の音声アシスタントは「質問と応答」の繰り返しでしたが、新機能では一連の会話の中で料理ジャンルの指定、メニュー閲覧、カスタマイズ、数量変更までを自然にこなせます。注文途中でデザートを追加したり、気が変わって変更したりすることも即座に対応します。

利用するにはAlexaアプリからUber EatsまたはGrubhubのアカウントを連携します。過去の注文履歴が自動同期され、お気に入りの再注文や新しいレストランの発見も容易になります。注文確定前にはカート内容・数量・価格の一覧が表示されます。

AI音声注文は外食業界でも導入が進む一方、精度の課題が残っています。2024年にはマクドナルドがAIドライブスルーで甘いお茶を9杯誤注文する事例が発生し、取り組みを一時停止しました。タコベルでも同様の誤作動が話題になっています。

Amazonは今回の食事注文を「長期ビジョンの第一歩」と位置づけ、今後は食料品の買い物や旅行手配など他分野への拡大を計画しています。生成AI搭載のAlexa+を通じて対話型体験を強化し、競争の激しいAIアシスタント市場での存在感を高める狙いです。

2026年3月、Weather CompanyはAIアシスタントを搭載した天気アプリ「Storm Radar」の刷新版をiOS向けにリリースしました。レーダーや気温、風、雷などのレイヤーを自由に切り替えられる予報カスタマイズ機能が特徴です。

同アプリはカレンダーなど他のアプリと連携し、天候情報を日々の予定に紐づけたテキスト通知や要約を自動送信します。音声機能ではレトロなラジオ気象予報士風など複数のペルソナを選択でき、月額4ドルで提供されます。

天気アプリへのAI導入はStorm Radarだけではありません。AccuWeatherはOpenAIのChatGPT上に専用アプリを公開し、Rainbow WeatherなどAIファーストを掲げる新興アプリも登場しています。GoogleやAppleも自社天気アプリにAI機能を組み込んでいます。

技術面では、機械学習モデルが従来スーパーコンピュータで行っていた大気シミュレーションを高速化しています。DarkSky創業者のGrossman氏は「機械学習は天気予報にとって最大の変化」と述べる一方、精度面の課題には複数モデルの比較で対処できると説明しています。

一方で米政府によるNOAAの縮小が進み、気象データ収集の一部が民間企業に委ねられる状況が生まれています。極端気象や気候災害の頻度が増すなか、予報精度の維持が課題となっています。

こうした潮流のなかで設計思想の違いも鮮明です。Storm Radarはデータ量を最大化しつつAIで要約する方針を取る一方、Acme WeatherのGrossman氏は「AIを使っていると感じさせるべきではない」と透明性を重視し、予報の不確実性を利用者に正しく伝えることを目指しています。

AI音楽生成プラットフォームSunoが最新モデルv5.5を発表しました。今回のアップデートでは音質向上だけでなく、ユーザーが自分の声を学習させる「Voices」機能、好みを反映する「My Taste」、カスタムモデル作成の3機能が追加され、制作の自由度が大幅に向上しています。

GoogleはChainsmokers公認のAI音楽プラットフォーム「ProducerAI」を買収し、Google Labs傘下に統合しました。DeepMindの最新音声モデルLyria 3を搭載し、Geminiアプリからテキストや画像をもとに30秒の楽曲を生成できる機能のベータ版を全世界で提供開始しています。

一方、プラットフォーム側では規制と透明性の動きが加速しています。Bandcampは主要音楽プラットフォームとして初めてAI生成コンテンツを全面禁止しました。Apple Musicはアーティストやレーベルに対しAI使用の自主的なタグ付けを求める「透明性タグ」制度を開始し、Deezerは精度99.8%のAI楽曲検出ツールを外部企業向けに販売開始しました。

大手レーベルの戦略も大きく転換しています。かつてAI企業を著作権侵害で提訴していたWarner Music GroupはSunoとライセンス契約を締結し、所属アーティストの声や肖像のAI利用を許諾しました。Universal Music GroupもNvidiaと提携し、音楽理解AIモデル「Music Flamingo」の活用を発表するなど、訴訟から協業へと舵を切っています。

しかし課題も山積しています。ノースカロライナ州の男性がAI生成楽曲をボットで数十億回再生し800万ドル超の印税を不正取得した事件で有罪答弁を行いました。アーティストからはAIクローンへの怒りの声が高まり、著作権法の整備も追いついていません。Sunoは評価額24.5億ドルに達する一方、3大レーベルからの訴訟も継続しており、AI音楽の法的・倫理的な枠組みは依然として不透明な状況です。

Googleは2026年3月末、AI搭載の個人化機能と新サービスを相次いで発表しました。Kent Walker氏はIAPPサミットで、AIモデルが2年前の300倍効率化したと述べ、個人に最適化されたAI体験の本格展開を宣言しました。

Personal IntelligenceはGoogle検索のAIモードに搭載され、GmailやGoogle Photosなどのアプリと連携して文脈に応じた回答を提供します。従来の「10本の青いリンク」から進化し、すべての人にパーソナルアシスタントを届けるビジョンを掲げています。

プライバシー面では、エージェントのアクセス制御、センシティブ領域のガードレール設定、サービス品質向上に必要なデータのみでの学習という3つの原則を示しました。Walker氏はこれを「プライバシー・バイ・イノベーション」と名付け、規制当局との協調を呼びかけています。

NotebookLMでは、英国王立協会との連携によりベンジャミン・フランクリンの科学的業績を対話形式で探索できるFeatured Notebookを公開しました。18世紀の原典資料をAIが解析し、チャット・音声・動画・クイズなど多様な学習体験を提供します。

Google MapsはAndroid Auto対応の350以上のEV車種に、AI駆動のバッテリー予測機能を展開開始しました。車両重量やバッテリー容量に加え、交通状況・道路勾配・天候をリアルタイム分析し、最適な充電スポットと到着時残量を提案することで航続距離への不安を軽減します。

Cohereは、オープンウェイトの自動音声認識モデル「Transcribe」を公開しました。20億パラメータのこのモデルは、平均単語誤り率（WER）5.42%を達成し、企業の音声パイプラインに直接組み込める精度を実現しています。

TranscribeはHugging FaceのASRリーダーボードで首位を獲得しました。OpenAIのWhisper Large v3（WER 7.44%）、ElevenLabs Scribe v2（5.83%）、Qwen3-ASR（5.76%）をいずれも上回り、商用レベルの音声認識における新たな基準を打ち立てています。

最大の特徴は、Apache-2.0ライセンスによる商用利用と自社インフラでのローカル運用が可能な点です。従来のクローズドAPIではデータの外部送信が避けられず、オープンモデルでは精度が不十分という課題がありましたが、Transcribeはその両方を解決しています。

対応言語は英語、フランス語、ドイツ語、日本語、中国語、韓国語など14言語です。会議理解を測るAMIデータセットで8.15%、多様なアクセントを評価するVoxpopuliで5.87%と、幅広い音声タスクで高い性能を示しています。

企業のエンジニアリングチームにとって、RAGパイプラインやエージェントワークフローに音声入力を組み込む際、データ残留リスクやレイテンシの問題なく本番運用できる選択肢が加わりました。早期導入企業からは、精度とローカル展開の両立が高く評価されています。

AI音楽生成サービスSunoは、最新モデルv5.5を公開しました。今回のアップデートでは音質向上ではなく、ユーザーが自分の声や楽曲でAIをカスタマイズできる3つの新機能「Voices」「Custom Models」「My Taste」が追加されています。

最も要望の多かったVoices機能では、ユーザーが自分の声をAIに学習させることができます。クリーンなアカペラ、伴奏付きの楽曲、あるいはスマートフォンやノートPCのマイクで直接歌うことで声データを提供でき、高品質な録音ほど少ないデータで学習が完了します。

Custom Models機能では、自分の楽曲カタログから最低6曲をアップロードすることで、独自のAIモデルを構築できます。作成したモデルに名前を付け、プロンプトへの応答スタイルをガイドする用途に活用可能です。

My Taste機能は、ユーザーが普段よく使うジャンルやムード、アーティストの傾向を時間とともに学習し、スタイル自動生成時に好みを反映させる仕組みです。この機能は全ユーザーに無料で提供されます。

他者の声の無断利用を防ぐため、Sunoは本人確認フレーズの読み上げを必須としていますが、既存のAI音声モデルで突破される可能性も指摘されています。VoicesとCustom ModelsはProおよびPremier有料プランの加入者のみが利用できます。

Googleは2026年3月のGemini Dropで、AIアシスタント「Gemini」の大型アップデートを発表しました。他社AIからのチャット履歴移行機能や、個人情報に基づくパーソナライズ機能の無料化など、AI体験の統合と底上げを図る内容です。

Personal Intelligence機能が米国の全Geminiユーザーに無料開放されました。Gmail、Photos、YouTubeと連携することで、Geminiが利用者の情報を横断的に理解し、旅行計画やプロジェクト管理など実用的な提案を行えるようになります。

エンターテインメント領域では、Google TVにGemini搭載のビジュアル回答機能とナレーション付き深掘り機能が追加されました。テレビ画面上でAIと対話的にコンテンツを探索できる、これまでで最もインタラクティブな体験を提供します。

音楽生成モデルLyria 3 Proも新たに公開されました。最長3分の楽曲を作成でき、サブスクリプション利用者は写真やアイデアから歌詞付きの高品質楽曲を生成できます。クリエイター向けツールとしての実用性が大きく向上しています。

音声対話機能Gemini Liveはバージョン3.1に刷新され、応答速度が向上するとともにコンテキスト保持量が従来の2倍に拡大しました。繰り返し説明する必要がなくなり、より自然で直感的な対話が可能になります。

WIREDの報道によると、米国の著名テック記者たちがAIを執筆・編集プロセスに本格導入し始めています。独立記者のAlex Heath氏はAnthropicのClaude Coworkを活用し、音声入力から初稿生成までを自動化しました。

Heath氏はGmailやGoogleカレンダー、Notionなどと連携させたClaudeに、自身の文体ルール「10の戒律」を学習させています。初稿生成後に約30分間AIと推敲を重ねることで、執筆時間を30〜40%削減できたと報告しています。

一方、ニュースレター「jasmi.news」を運営するJasmine Sun氏は、AIに文章を書かせず編集者として活用する方針を貫いています。Claudeに「一文たりとも代筆するな」と指示し、フィードバックを通じて自身の文章力を高める手法を採用しています。

NYタイムズのKevin Roose記者は、AI関連書籍の制作に「マスター編集者」エージェントを筆頭とするClaudeチームを構築しました。ファクトチェックや文体統一など役割を分担させ、制作期間を2〜3年短縮できたと述べています。

こうした動きは、独立記者が従来の編集部が持つ編集・校閲機能をAIで代替する流れを示しています。ただし、Google DeepMindの研究では、AI依存が文章の均質化を招く懸念も指摘されており、人間ならではの視点や取材力が差別化要因として重要性を増しています。

Mistral AIは2026年3月26日、企業向けテキスト音声合成モデル「Voxtral TTS」をオープンウェイトで公開しました。パリ拠点の同社は、競合他社がAPIベースの従量課金モデルを採用する中、モデルの重みを無償提供し、企業が自社サーバーやスマートフォン上で自由に運用できる方針を打ち出しています。

技術面では、34億パラメータのTransformerデコーダ、3.9億パラメータのフローマッチング音響変換器、3億パラメータの自社開発ニューラルオーディオコーデックの3層構造を採用しています。初音声までの遅延はわずか90ミリ秒で、リアルタイムの約6倍速で音声を生成します。量子化すれば約3GBのRAMで動作し、旧型ハードウェアでもリアルタイム処理が可能です。

同社の人間評価では、ElevenLabs Flash v2.5に対して62.8%、音声カスタマイズでは69.9%の選好率を達成しました。わずか5秒の参照音声で声質を複製でき、ゼロショットの多言語クロスリンガル音声適応も実現しています。9言語に対応し、話者のアクセントや声質を保持したまま言語を切り替えられるため、多国籍企業の顧客対応や社内コミュニケーションに大きな可能性があります。

この公開は、Mistralが過去1年で構築してきた企業向けAIフルスタック戦略の集大成です。音声認識モデル「Voxtral Transcribe」、カスタマイズ基盤「Forge」、本番運用基盤「AI Studio」と組み合わせることで、外部プロバイダーに依存しない音声エージェントパイプラインが完成します。CEOのArthur Mensch氏は年間売上10億ドル超の見通しを示しています。

同社科学担当副社長のPierre Stock氏は、音声データには感情やアイデンティティが含まれ、金融・医療・政府機関にとって第三者APIへの送信はコンプライアンス上のリスクだと指摘しました。欧州ではデジタルサービスの80%以上を米国企業に依存しており、Mistralはデータ主権を重視する欧州企業の受け皿として、今後は完全エンドツーエンドの音声AIモデルへの進化を目指すとしています。

Googleは2026年3月26日、リアルタイム音声・ビジョンAIモデル「Gemini 3.1 Flash Live」を発表しました。開発者向けにはGemini Live APIを通じてGoogle AI Studioで提供が開始され、企業向け・一般ユーザー向けにも順次展開されます。

同モデルは音声AIにおける低遅延と自然な対話を重視して設計されています。ピッチやペースといった音響的なニュアンスの認識能力が従来の2.5 Flash Native Audioから大幅に向上し、より人間らしいリズムでの応答を実現しています。

ベンチマークではComplexFuncBench Audioで90.8%のスコアを記録し、複雑な多段階タスクの実行能力で他モデルを上回りました。Scale AIのAudio MultiChallengeでも36.1%でトップとなり、実環境での割り込みや言い淀みへの耐性が証明されています。

実用面では、騒音環境下でのバックグラウンドノイズ除去が改善され、複雑なシステム指示への遵守率も向上しました。90以上の言語をサポートし、Search Liveの200以上の国・地域へのグローバル展開を支えています。

開発者向けにはLiveKitやPipecatなどパートナー統合のエコシステムも拡充されています。すべての音声出力にはSynthIDによる電子透かしが付与され、AI生成コンテンツの検出を可能にすることで、誤情報対策にも配慮した設計となっています。

Googleは2026年3月、AI検索アシスタント「Search Live」を200以上の国と地域に拡大すると発表しました。音声とカメラを使った対話型検索が、AI Modeが利用可能なすべての言語と地域で使えるようになります。

Search Liveは2025年9月に米国で本格展開された機能で、スマートフォンのカメラを対象物に向けながら音声で質問できます。AIが音声で回答するとともに、関連するウェブリンクも提示します。棚の取り付け方法を尋ねるなど、リアルタイムの支援が必要な場面で活用されています。

今回のグローバル展開を支えるのが、新モデル「Gemini 3.1 Flash Live」です。音声に特化した本モデルは、より自然で直感的な会話を実現し、応答速度も向上しています。多言語に本質的に対応しているため、世界中のユーザーが母語で検索と対話できます。

利用方法はシンプルで、AndroidまたはiOSのGoogleアプリを開き、検索バー下の「Live」アイコンをタップするだけです。Google Lensからもアクセスでき、カメラに映る対象についてリアルタイムで質問と回答を繰り返すことが可能です。

あわせてGoogleは、Google翻訳のリアルタイム翻訳機能をiOSにも展開すると発表しました。ヘッドフォンで翻訳を聞ける本機能は、ドイツ、スペイン、フランス、日本、英国など新たな地域にも拡大されます。

Googleは、医療AI開発者向けオープンモデル基盤「Health AI Developer Foundations（HAI-DEF）」プログラムの一環として開催した「MedGemma Impact Challenge」の受賞者を発表しました。Kaggleと共催した本コンペには850以上のチームが参加し、医療課題の解決に挑みました。

グランプリのEpiCastは、西アフリカ経済共同体の疾病監視の空白を埋めるモバイルファーストのソリューションです。ファインチューニングしたMedGemmaモデルにMedSigLIPやHeARを組み合わせ、地域言語による臨床観察をWHOの統合疾病監視・対応シグナルに変換し、感染症アウトブレイクの早期発見を支援します。

FieldScreen AIは、リソースが限られた環境向けの結核スクリーニングワークフローです。MedGemmaによる胸部X線解析とHeARベースの咳音声分類を組み合わせ、完全にオンデバイスで動作します。Tracerは医師のメモから仮説を抽出し、検査結果と照合することで医療ミスの防止を目指します。

技術特別賞では3テーマが表彰されました。BridgeDXは2015年ネパール地震の経験から着想を得たオフライン診断支援デモで、WHOやMSFのガイドラインに基づきます。CaseTwinはエージェント型ワークフローで胸部X線の類似症例を照合し、農村部の病院での紹介プロセスを数時間から数分に短縮します。

本コンペは、HAI-DEFのオープンウェイトモデルが世界中の医療格差解消に大きな可能性を持つことを示しました。Googleは2024年末にHAI-DEFを立ち上げ、2025年1月にはMedGemma 1.5を公開しており、今後も開発者コミュニティとの連携を通じて医療AIの民主化を推進する方針です。

Google DeepMindは2026年3月、AIが人間の思考や行動を有害に操作するリスクを測定する初の実証済みツールキットを開発し、研究成果を論文として公開しました。評価手法の全資料も公開され、外部研究者による再現実験が可能です。

1万人以上が参加した9件の研究は英国・米国・インドの3カ国で実施されました。金融分野では模擬投資シナリオを用い、健康分野ではサプリメントの選好変化を追跡するなど、高リスクな意思決定環境でAIの操作能力を検証しています。

研究では操作の有効性（実際に意見を変えたか）と傾向性（操作戦術をどの程度試みるか）の両面を測定しました。AIモデルは明示的に操作を指示された場合に最も多くの操作戦術を使用し、特定の戦術が有害な結果につながりやすい可能性も示唆されています。

注目すべき発見として、ある領域での操作成功が他領域での成功を予測しないことが判明しました。特に健康関連トピックではAIの有害操作効果が最も低く、領域ごとに標的を絞った評価手法の重要性が裏付けられています。

DeepMindはこの研究を踏まえ、Frontier Safety Frameworkに「有害操作CCL（Critical Capability Level）」を新設しました。Gemini 3 Proの安全性評価にも本手法を適用しており、今後は音声・動画・画像入力やエージェント機能による操作リスクの研究へ拡大する方針です。

エンタープライズAI企業のCohereは2026年3月26日、同社初の音声モデル「Transcribe」をオープンソースで公開しました。議事録作成や音声分析などの用途を想定した自動音声認識モデルで、APIを通じて無料で利用できます。

Transcribeは20億パラメータと比較的軽量に設計されており、消費者向けGPUでの自己ホスティングが可能です。英語、日本語、中国語、韓国語など14言語に対応し、1分間で525分の音声を処理できる高いスループットを実現しています。

Hugging FaceのOpen ASRリーダーボードでは、平均単語誤り率（WER）5.42を達成し、Zoom Scribe v1やIBM Granite 4.0、ElevenLabs Scribe v2などの競合モデルを上回りました。人間評価者による精度・一貫性・実用性の評価でも平均勝率61%を記録しています。

一方で、ポルトガル語、ドイツ語、スペイン語の文字起こしでは競合に後れを取る課題も残っています。Cohereは今後、同モデルを企業向けエージェント統合基盤「North」やマネージド推論プラットフォーム「Model Vault」にも展開する計画です。

音声認識モデル市場は、GranolaやWispr Flowなどの議事録・ディクテーションアプリの需要拡大に伴い急成長しています。Cohereは2025年の年間経常収益が2億4000万ドルに達したとされ、IPOの可能性も示唆されており、今回の音声モデル投入で事業領域の拡大を図ります。

ByteDanceは2026年3月26日、AI動画生成モデルDreamina Seedance 2.0を動画編集プラットフォームCapCutに搭載し、ブラジル・インドネシアなど7カ国で段階的に提供を開始すると発表しました。OpenAIがSoraアプリを終了する中での展開となります。

同モデルはプロンプト、画像、参照動画を使って動画・音声コンテンツの作成・編集・同期が可能です。参照画像がなくても数語のテキスト入力だけでシーンを自動生成でき、リアルな質感や動き、照明の再現に優れています。

料理レシピやフィットネスチュートリアル、ビジネス概要、アクション系コンテンツなど幅広いジャンルに対応します。従来のAI動画モデルが苦手としていた動きの多い映像でも高品質な出力が期待できると同社は説明しています。

展開地域が限定的な背景には、ハリウッドからの著作権侵害批判があります。映画協会がByteDanceに対し侵害行為の停止を求めたことを受け、グローバル展開を一時中断していた経緯があり、知的財産に関する対応が続いています。

安全対策として、実在の顔を含む画像や動画からの生成をブロックし、無許可の知的財産利用も制限します。生成コンテンツには不可視の電子透かしが埋め込まれ、プラットフォーム外での共有時にもAI生成であることを識別可能にしています。

AppleはiOS 27で、サードパーティ製AIチャットボットをSiriに接続できる新機能を導入する見通しです。BloombergのMark Gurman記者が2026年3月26日に報じました。

新機能は「Extensions」と呼ばれ、App StoreからダウンロードしたGoogle GeminiやAnthropic ClaudeなどのチャットボットがSiriの応答を補完できるようになります。現在のChatGPT連携と同様の仕組みです。

ユーザーはiPhone、iPad、Macの各デバイスで、接続するチャットボットを個別に有効・無効に切り替えることが可能です。Appleが開発中のSiriスタンドアロンアプリとも連動する予定です。

Appleは2026年1月にGoogleとの提携を公表し、Geminiを活用したSiri刷新に取り組んでいます。さらにGeminiを使って小型AIモデルの訓練を行う契約も含まれていることが新たに判明しました。

正式発表は2026年6月8日開催予定のWWDCで行われる見込みです。AI音声アシスタント市場におけるオープン戦略への転換として、業界に大きな影響を与えそうです。

英国の開発者Nick Payne氏が、完全ローカル動作のAI議事録アプリ「Talat」をMac向けに公開しました。評価額15億ドルのGranolaに対抗し、音声データがクラウドに送信されないプライバシー重視の設計が最大の特徴です。

TalatはZoom、Teams、Google Meetなどの会議アプリから音声を取得し、リアルタイムで文字起こしを行います。会議終了後にはローカルLLMが要約・要点・決定事項・アクションアイテムを自動生成します。話者の識別もリアルタイムで行われ、手動での再割り当ても可能です。

技術基盤にはFluidAudioというSwiftフレームワークを採用し、AppleのNeural Engine上で高速な音声AI処理を実現しています。Payne氏が開発したオープンソースの音声ライブラリAudioTeeも活用されており、Apple独自のCore Audio Taps APIを通じてシステム音声を取得します。

要約モデルにはQwen3-4B-4bitをデフォルトで搭載し、比較的低スペックなハードウェアでも動作します。ユーザーは任意のクラウドLLMやNvidia製Parakeetモデル、Ollama経由のローカルモデルに切り替えることも可能で、高いカスタマイズ性を備えています。

価格はプレリリース版で買い切り49ドル、正式版では99ドルに値上げ予定です。M1以降のMacで利用でき、購入前に10時間の無料トライアルが可能です。開発者のPayne氏と共同創業者のMike Franklin氏はブートストラップで運営し、今後も買い切りモデルを維持する方針を示しています。

AI動画編集アプリCaptionsを運営するMirageは、General CatalystのCustomer Value Fund（CVF）から7500万ドルの成長資金を調達しました。同社はAI研究所としての位置づけを強化し、広告やマーケティング分野への展開を進めています。

Mirageは過去1年間で大きな変革を遂げています。社名をCaptionsからMirageに変更し、短尺動画のペーシングやフレーミング、注目度の動態に特化したモデルを開発しました。2025年1月にはByteD anceのCapCutやMetaのEditsに対抗するためフリーミアムモデルに移行しています。

共同創業者兼CEOのGaurav Misra氏は、今後「アセンブリ・インテリジェンス」と呼ぶ分野のモデル開発を計画していると述べました。これは異なるソースや素材を組み合わせて動画を自動生成する技術です。新たな音声モデルでは国際ユーザーのアクセントを忠実に再現する機能も実現しました。

分析会社Appfiguresのデータによると、Captionsは過去1年間で320万回以上ダウンロードされ、アプリ内収益は2840万ドルに達しています。プラットフォーム上で作成された動画は累計2億本を超え、売上の75%が米国外から生まれるなど国際的なユーザー基盤を構築しています。

General CatalystのPranav Singhvi氏は、Mirageのユニットエコノミクスが競合他社を明確にリードしていると評価しました。CanvaやD-ID、HeyGenなどAI動画マーケティング領域の競争が激化する中、同社は調達資金を成長投資とアジア市場の開拓に充てる方針です。

ServiceNowの研究チームは2026年3月24日、音声AIエージェントを包括的に評価するフレームワーク「EVA」を発表しました。コード・データセット・ジャッジプロンプトをGitHubとHugging Faceで公開しています。

EVAはタスクの正確な完了を測るEVA-A（Accuracy）と、対話体験の質を測るEVA-X（Experience）の2つの高次スコアを算出します。従来のフレームワークはこれらを個別に評価していましたが、EVAは両者を統合的に評価する初の手法です。

評価はボット同士のリアルタイム音声対話で行われ、ユーザーシミュレーターが発話し、対象エージェントがツール呼び出しやポリシー遵守を含むタスクを処理します。決定論的なコード指標とLLM審査員による定性評価を組み合わせています。

20種類のカスケード型・音声ネイティブ型システムを評価した結果、正確性と体験の間に一貫したトレードオフが確認されました。タスク完了率の高いエージェントほどユーザー体験が低下する傾向があり、両軸で優位なシステムは存在しませんでした。

特に確認コードやフライト番号など固有名詞の音声認識エラーが、会話全体の破綻につながる主要因と判明しました。今後は多言語対応、騒音環境テスト、感情認識評価、追加ドメインのデータセット拡充が予定されています。

Googleは2026年3月、Google TVのGeminiに3つの新機能を追加しました。視覚的回答の強化、教育コンテンツのディープダイブ、スポーツブリーフの3機能で、米国とカナダのGemini対応デバイスから順次提供が開始されています。

視覚的回答の強化では、ユーザーの質問内容に応じて最適な形式で情報を表示します。たとえばスポーツの試合スコアを尋ねるとライブスコアカードと視聴方法が表示され、レシピを検索すると関連する動画チュートリアルが提示されます。

ディープダイブ機能は、CES 2026で予告されていた機能の正式提供です。健康、経済、テクノロジーなどの教育的トピックについて、ナレーション付きのビジュアル解説を生成します。冷水浴の生理学的効果や抹茶の製造工程など、複雑なテーマをインタラクティブに学べます。

スポーツブリーフは、昨年導入されたニュースブリーフの拡張版です。NBA、NCAA、NHL、MLB、MLS、NWSLなどのシーズン中のリーグについて、試合ハイライトや選手ニュースをナレーション付きで要約します。ライブ観戦できないファンでも最新情報を把握できます。

Geminiの音声アシスタントは今後、オーストラリア、ニュージーランド、英国にも春中に展開予定です。Google TVのGeminiは2025年9月に一部TCLテレビで初登場して以来、自然言語による設定調整やGoogleフォトの音声検索など機能拡充を続けています。

OpenAIは動画生成AI「Sora 2」および専用アプリにおける安全対策の全容を公開しました。生成されるすべての動画に業界標準のC2PAメタデータと可視・不可視の透かしを埋め込み、AI生成コンテンツの出所を明確にします。

肖像権の保護では、写真からの動画生成時にユーザーが被写体の同意を得ていることを宣誓する仕組みを導入しました。特に子どもや若年層が含まれる画像には、通常より厳格なガードレールとモデレーションが適用されます。

独自の「キャラクター」機能により、自身の外見や声の使用を完全に管理できます。アクセス権の付与・取消はユーザーが随時行え、他者が作成した下書き動画も確認・削除・通報が可能です。公人の描写はキャラクター機能経由のみに制限されています。

未成年者向けには、フィードから不適切コンテンツを自動除外し、大人からのメッセージ開始を遮断します。保護者はChatGPTの管理画面からDMの送受信やフィードのパーソナライズ設定を制御でき、連続スクロールにも初期上限が設けられています。

有害コンテンツ対策としては、生成前のプロンプト検査と出力の多層スキャンを組み合わせ、性的素材やテロプロパガンダ、自傷促進を遮断します。音声領域では生成された音声の書き起こしを自動検査し、存命アーティストや既存楽曲の模倣を阻止する仕組みも整備されています。

Scale AIは2026年3月18日、音声AIモデルを実際の人間の会話データで評価する世界初のベンチマーク「Voice Showdown」を公開しました。60言語以上、数千件の自発的音声会話から収集した選好データに基づき、既存の合成音声ベンチマークでは見落とされてきた能力差を明らかにしています。

評価はScale AIのChatLabプラットフォーム上で行われます。ユーザーはフロンティアモデルを無料で利用でき、音声プロンプトの5％未満の頻度で匿名の2モデル比較が提示されます。投票後は選んだモデルに切り替わるため、誠実な投票が動機づけられる設計です。

音声認識（Dictate）部門ではGemini 3 ProとGemini 3 Flashが統計的に同率首位となり、GPT-4o Audioが3位に続きました。音声対話（S2S）部門ではスタイル補正後にGPT-4o Audioが首位、Grok Voiceが僅差の2位に浮上しています。オープンウェイトのQwen 3 Omniは両部門で4位と健闘しました。

最も深刻な発見は多言語対応の脆弱性です。OpenAIのGPT Realtime 1.5はヒンディー語やスペイン語など公式対応言語でも約20％の確率で英語で応答してしまいます。また同一モデル内でも音声の選択により勝率が30ポイントも変動することが判明しました。

さらに会話が長くなるにつれ内容品質の劣化が主要な失敗要因となることが示されました。1ターン目では品質起因の失敗が23％ですが、11ターン以降は43％に急増します。Scale AIは今後、リアルタイムの全二重通話評価モードの追加を予定しており、音声AI評価の新たな業界標準となることが期待されます。

AmazonがFire Phone撤退から10年以上を経て、Alexa+AIアシスタントを中核に据えた新型スマートフォンの開発を進めていることが、Reutersの報道で明らかになりました。コードネーム「Transformer」と呼ばれる同端末は、社内のZeroOneグループが開発を主導しています。

開発チームを率いるのは、MicrosoftでZuneやXboxを手がけたJ・アラード氏です。チームはスマートフォンと「ダムフォン」の両方のデザインを検討しており、白黒ディスプレイとアプリストア非搭載が特徴のミニマリスト端末Light Phoneからインスピレーションを得ているとされます。

2014年に発売された初代Fire Phoneはアプリ不足と低調な売上により1年で撤退に追い込まれました。今回はChatGPTのようなミニアプリ方式を採用し、従来型アプリストアへの依存を回避する戦略が検討されています。AIが生成するUIにより、アプリそのものが不要になる可能性も示唆されています。

市場アナリストからは厳しい見方も出ています。IDCのジェロニモ副社長は「ハードウェアでAppleやSamsungに対抗するのは不可能」と指摘し、メモリ危機や関税による製造コスト上昇も懸念材料に挙げました。一方で、Alexa+を搭載した常時携帯型のコンパニオンデバイスとしての可能性には一定の評価を示しています。

プライバシー面では、Amazonがデジタル権利ランキングで下位に位置し、Alexa音声データの広告利用が過去に指摘されている点が大きな課題です。専門家は、スマートフォン参入によりデータ収集の規模が飛躍的に拡大し、広告事業強化の手段となる可能性を警告しています。発売時期や価格は未定で、計画自体が中止される可能性も残されています。

DoorDashは2026年3月19日、配達員がAI・ロボットシステムの訓練用データを収集して報酬を得られる新しいスタンドアロンアプリ「Tasks」を発表しました。日常的な作業の動画撮影や多言語での音声録音などが対象となります。

収集されたデータは、DoorDash社内のAIモデルだけでなく、小売・保険・ホスピタリティ・テクノロジー分野のパートナー企業が開発するモデルの評価にも活用されます。報酬は作業の難易度と労力に基づいて事前に提示される仕組みです。

具体的なタスクの一例として、ボディカメラを装着して少なくとも5枚の皿を洗う様子を撮影し、洗い終わった皿をカメラに数秒間映すという作業が報告されています。物理世界をAIに理解させるための教師データとして活用されます。

スタンドアロンアプリに加え、既存の配達員向けアプリ「Dasher」内にもタスク機能が追加されます。レストランのメニュー写真撮影やホテル入口の撮影、さらにWaymoの自動運転車のドアを閉める業務なども含まれています。

同様の取り組みはUberも2025年末に発表しており、ドライバーがAI訓練用の写真アップロードなどで追加収入を得られる仕組みを計画しています。DoorDashは今後、タスクの種類と対象国を拡大する方針で、現在はカリフォルニア州・ニューヨーク市・シアトル・コロラド州を除く米国内で利用可能です。

Amazonは、AI搭載の会話型アシスタント「Alexa+」を英国で提供開始しました。北米以外では初の国際展開となり、まず早期アクセスプログラムとして新型Amazon Echo購入者に招待を配布しています。

早期アクセス終了後は、Prime会員であれば追加料金なしで利用でき、非会員は月額19.99ポンド（約3,800円）の有料サービスとなります。今後数週間で「数十万人」規模のユーザーに拡大する計画ですが、早期アクセスの終了時期は未定です。

英国向けの最適化には、ケンブリッジにあるAmazonの技術拠点のエンジニア・言語学者・音声科学者が携わりました。強化学習やアクセント中立の音声表現、地域埋め込みなどの技術を活用し、英国特有の表現や文脈を正確に理解できるよう調整しています。

Alexa+はEchoデバイス、Fire TV、Alexaアプリで動作し、デバイス間で会話の文脈を引き継ぐことが可能です。今後はブラウザ対応も予定されています。OpenTable、JustEat、Treatwellなどのサービス提案や、The Guardian等の主要メディアからのニュース配信にも対応します。

Alexa+は2025年2月に発表され、米国では2026年2月に全ユーザーへ開放されました。カナダとメキシコでも早期アクセスが開始済みです。最近では応答トーンをカスタマイズできる「パーソナリティ」機能や、大人向けの「Sassy」モードも追加され、機能拡充が進んでいます。

GoogleはGeminiをGoogle Workspace全体に統合し、Docs、Gmail、Sheets、Slides、Drive、Meet、Calendar、Chat、Vids、Formsの各サービスでAI機能を本格展開しています。日常業務での要約・下書き・データ整理・会議管理を効率化する実用的な機能群が揃いました。

Google Docsでは長文レポートの自動要約に加え、「Help me create」機能でDriveやGmailの文脈を取り込んだ初稿の自動生成が可能になりました。文体の統一や他文書のフォーマット適用など、複数人での共同編集を支援するベータ機能も提供されています。

Gmailでは「AI Inbox」が重要メールを自動選別し、長いスレッドを要約カードで表示します。さらに「AI Overview」機能で過去のメール全体を横断検索でき、文脈に応じた返信文の自動生成やトーン調整も可能です。受信トレイの管理負担が大幅に軽減されます。

Google Meetでは自動ノートテイク機能が注目されており、会議中の要点・決定事項・アクションアイテムを自動で記録・整理します。途中参加者向けの要約機能やリアルタイム翻訳字幕、音声ノイズ低減など、会議体験を向上させる機能も追加されています。

Google Calendarでは「Help me schedule」機能が参加者全員のカレンダーを分析し、最適な会議時間をAIが提案します。早朝を避けるなどの個人設定にも対応し、Gmailと連携して空き時間を検出するため、手動でのスケジュール調整が不要になります。

Google Vidsではトピックやアウトラインからラフカットを自動生成し、AIアバターやVeo 3による画像の動画変換にも対応しています。Formsではアンケートの自動生成に加え、回答結果のトレンド分析をリアルタイムで提供し、データ収集から分析までを一元化しています。

Rebel Audioは、初心者向けに録音・編集・配信・収益化を一つのプラットフォームで完結させるAI搭載ポッドキャスト制作ツールです。2026年3月にプライベートベータを開始し、380万ドルのシードラウンドを超過応募で完了しました。

ポッドキャスト市場は2030年までに1145億ドル規模に成長すると予測されており、2025年時点で世界のリスナー数は5億8400万人に達しています。Rebel Audioはこの急成長市場で、初心者クリエイターの参入障壁を下げることを目指しています。

プラットフォームにはAIアシスタントが組み込まれ、番組名の提案やカバーアート生成、文字起こし、翻訳、吹替などを支援します。音声クローン機能では広告の自動読み上げも可能で、制作工程の大幅な効率化を実現しています。

AI生成コンテンツへの懸念に対しては、音声クローンをオプトイン方式とし、権利確認を必須化しています。ディープフェイク防止のセーフガードや、不適切な画像を遮断するモデレーションシステムも導入し、配信プラットフォームのガイドラインに準拠する設計です。

料金は月額15ドルの基本プランから、動画対応のPlusプラン（35ドル）、動的広告挿入や翻訳機能を含むProプラン（70ドル）までの3段階です。創業者のJared Gutstadt氏は制作会社Audio Upの実績を持ち、アドバイザーには「サバイバー」プロデューサーのMark Burnett氏が就任しています。

Googleは2026年3月、Google AI Studioのバイブコーディング機能を全面刷新し、プロンプトから本番対応アプリを構築できる新体験を発表しました。同時にUIデザインツールStitchも「バイブデザイン」対応へと進化しています。

AI Studioの新機能では、Google Antigravityコーディングエージェントを活用し、マルチプレイヤーゲームや共同作業ツールなどリアルタイム接続が必要なアプリケーションをプロンプトだけで構築できるようになりました。

Firebaseとの統合により、エージェントがデータベースや認証の必要性を自動検出し、Cloud FirestoreとFirebase Authenticationを自動でプロビジョニングします。外部APIキーを安全に管理するシークレットマネージャーも新設されました。

デザインツールStitchは、自然言語から高品質UIデザインを生成するAIネイティブの無限キャンバスへと刷新されました。音声でエージェントと対話しながらリアルタイムにデザインを修正でき、創造的なフローを維持できます。

StitchではDESIGN.mdというマークダウン形式でデザインシステムを他ツールと共有でき、MCPサーバーやSDKを通じてAI StudioやAntigravityへのエクスポートも可能です。アイデアから実装までの一気通貫のワークフローが実現します。

セキュリティ研究者のJeremiah Fowler氏は2025年2月、米Sears Home ServicesのAIチャットボット「Samantha」に関する3つのデータベースがパスワード保護なくWeb上に公開されていることを発見しました。データベースには顧客の個人情報を含む大量の対話記録が格納されていました。

露出したデータベースには370万件のチャットログと140万件の音声ファイル・文字起こしが含まれていました。顧客の氏名、電話番号、自宅住所、所有家電、配送・修理の予約情報など詳細な個人情報が記録されており、英語とスペイン語の両方の対話が含まれていました。

特に深刻だったのは、顧客が通話終了と思った後も最大4時間にわたり録音が継続していた事例です。テレビの音声や私的な会話など、本来記録されるべきでない生活音が大量に収録されていました。Fowler氏は「すべて実在する人々の実際のデータだ」と警鐘を鳴らしています。

Fowler氏の報告を受け、Searsの親会社Transformcoはデータベースを速やかに保護しましたが、露出期間や第三者によるアクセスの有無は不明です。専門家はこうした情報がフィッシング詐欺や保証詐欺に悪用される危険性を指摘しており、家電の所有状況など生活に密着した情報が標的型攻撃を容易にすると警告しています。

オックスフォード大学のCarissa Véliz准教授は、企業がAIを顧客対応に導入する際には人間との会話を選択できる権利や録音拒否の権利を保障すべきだと主張しています。生成AI導入が加速する中、プライバシー保護と顧客の信頼確保が企業の重要課題となっています。

Google DeepMindは、鳥類の鳴き声を分類するために開発した音響AI基盤モデル「Perch 2.0」が、クジラの鳴き声の識別にも高い性能を発揮することを明らかにしました。この研究成果は2025年12月のNeurIPSワークショップで発表されています。

Perch 2.0は数百万件の鳥類・陸上動物の録音データで訓練された生物音響基盤モデルです。研究チームがこのモデルをクジラの音声分類に転用したところ、既存の専用モデルと同等以上の精度を達成しました。転移学習により新たなモデル構築の手間を大幅に削減できます。

評価では音声を5秒ごとのスペクトログラムに変換し、モデルが生成する埋め込み表現から分類器を訓練しました。わずか4〜32個のサンプルでもロジスティック回帰分類器が有効に機能し、サンプル数の増加に伴い精度が向上することが確認されています。

鳥類モデルがクジラにも有効な理由として、研究者は3つの仮説を提示しています。第一に鳥類と海洋哺乳類の発声機構の進化的類似性、第二に大規模モデルが持つ汎化能力、第三に鳥類分類の難しさがモデルに微細な音響特徴の識別力を獲得させた可能性です。

Google Researchのデータサイエンティスト、Lauren Harrell氏は「海中には未知の音が多く、固定的なモデルでは対応できない」と語ります。同チームはPerch 2.0を活用し、受動的音響モニタリングによるクジラの個体群保護や、海洋生物の未解明な音声の研究に貢献することを目指しています。

OpenAIは、ChatGPTに導入予定だった「成人向けモード」について、テキストベースの官能的会話に限定して提供する方針であることが明らかになりました。画像・音声・動画の生成機能は当面含まれず、ポルノではなく「官能小説」レベルの内容を想定しています。

この機能は2025年10月にサム・アルトマンCEOが発表しましたが、未成年の保護やコンテンツモデレーションに関する社内の懸念から延期されています。OpenAIが開発した年齢推定システムは、未成年を成人と誤判定する割合が約12%に達しており、週1億人以上の18歳未満ユーザーを抱えるChatGPTでは数百万人規模の未成年がアクセスする恐れがあります。

OpenAIが選定した外部アドバイザーは、成人向けモードが子どもにアクセスされるリスクや、チャットボットへの不健全な感情的依存を助長する危険性を1月に警告しました。あるメンバーは「セクシーな自殺コーチ」を生み出しかねないと指摘しています。

社内の安全チームの専門家も全員が反対を表明していたことがウォール・ストリート・ジャーナルの報道で判明しました。成人向けモードに反対した安全担当幹部が解雇される事態も発生し、OpenAIは解雇と関連はないと否定していますが、同社の安全体制に対する疑念が強まっています。

テキスト限定のアプローチは、英国オンライン安全法がポルノ画像には年齢確認を義務付ける一方、文字による官能表現は対象外としている点で規制対応上の利点があります。一方、競合のxAI（Grok）はR指定映画基準で画像・動画を含むNSFWコンテンツを提供しており、各社のアプローチの違いが鮮明になっています。

Microsoftは、ゲーム開発者会議GDCにおいて、AIアシスタント「Gaming Copilot」を年内に現行世代のXboxコンソールへ展開すると発表しました。Xbox製品マネージャーのSonali Yadav氏がパネルセッションで明らかにしています。

Gaming Copilotは、ゲームプレイ中に音声で呼び出せるAIアシスタントです。ゲームで行き詰まった際に次の行動を提案するほか、プレイヤーの過去のゲーム履歴に関する質問への回答、攻略のヒントや戦略の提示、おすすめゲームの紹介といった機能を備えています。

具体的には、特定のボスの倒し方や、Minecraftで剣を作るために必要な素材を尋ねるといった使い方が想定されています。すでにXboxモバイルアプリ、Windows 11、Xbox Ally携帯機でベータ版として提供されており、対応範囲を段階的に広げてきました。

対象コンソールの詳細は明言されていませんが、現行ラインナップにはXbox Series X|Sが含まれます。次世代機「Project Helix」も開発中ですが、アルファ版到達は2027年以降の見通しで、PCゲームにも対応する予定です。

Microsoft Gaming部門では2026年2月にAsha Sharma氏が新CEOに就任し、長年Xbox事業を率いたPhil Spencer氏やSarah Bond前社長が退任しました。新体制のもとで、AIを活用したゲーム体験の強化が進められています。

Truecallerは、家族グループの管理者が他のメンバーに対する詐欺電話の通知を受け取り、遠隔で通話を切断できる「ファミリープロテクション」機能を世界各国に拡大しました。月間アクティブユーザー4億5000万人超を抱える同社の新たな取り組みです。

この機能は2025年12月にスウェーデンやマレーシアなど一部の国で先行導入され、好結果を受けて最大市場であるインドを含むグローバル展開が決定しました。無料プランのユーザーでも最大5人のグループを作成でき、管理者は詐欺の疑いがある通話をリアルタイムで監視できます。

Android端末では管理者が遠隔で通話を終了させる機能に加え、メンバーの歩行・運転状態やバッテリー残量などの確認も可能です。高齢の家族を見守る用途を想定しており、非スパム通話やSMSの履歴は管理者には閲覧できない仕組みでプライバシーにも配慮しています。

同社はAI技術の活用も進めており、不在時にAIアシスタントが通話内容を要約するボイスメール機能をインドで提供中です。さらに「デジタル逮捕」などの詐欺特有のキーワードを検出して自動的に通話を切断する機能の開発も進めています。

一方でTruecallerの経営は厳しく、株価は過去12カ月で80%超下落し、2025年第4四半期のEBITDAは前年比49%減、広告収入も31%減となりました。インド政府が導入を進めるCNAP（発信者名表示）制度も脅威ですが、CEOは「CNAPとTruecallerは併用可能であり、当社はより多くの情報と文脈を提供する」と差別化を強調しています。

Googleは2026年3月12日、地図アプリ「Googleマップ」にGeminiを活用した対話型検索機能「Ask Maps」と、3D表示を備えた「没入型ナビゲーション」を発表しました。米国とインドのモバイルユーザーから提供を開始しています。

Ask Mapsは、「携帯の充電が切れそうだけど、コーヒーの行列に並ばずに充電できる場所は？」といった複雑な自然言語の質問に回答できる機能です。3億以上の場所データと5億人超の投稿者コミュニティのレビューを分析し、具体的な提案を行います。

回答は過去の検索履歴や保存した場所に基づきパーソナライズされます。たとえばビーガンレストランを好むユーザーには、友人との食事場所を尋ねた際にビーガン対応の店を優先的に提案します。レストラン予約もアプリ内でワンタップで完了できます。

没入型ナビゲーションは10年以上ぶりの大規模刷新で、周辺の建物や高架、地形を3Dで忠実に再現します。車線変更や合流時には車線・横断歩道・信号・停止標識を自動でハイライトし、音声案内もより自然な表現に改善されました。

代替ルートについては「交通量は少ないが時間がかかる」「速いが有料道路を含む」といったトレードオフの説明も表示します。到着前には駐車場の推薦やビル入口の案内も行います。CarPlayやAndroid Autoにも順次対応予定です。

今回の発表は、Googleが全製品にGeminiを統合する戦略の一環です。同週にはGoogle DocsやSheetsなどWorkspaceにもGemini機能を追加しており、5月のGoogle I/Oに向けてさらなる統合拡大が見込まれています。

Zendeskは2026年3月12日、AIを活用した顧客対応自動化スタートアップForethoughtの買収を発表しました。買収額は非公開で、手続きは3月末までに完了する見込みです。

Forethoughtは2018年のTechCrunch DisruptでStartup Battlefield優勝を果たした企業です。ChatGPTの登場より4年も前からAIエージェントによる顧客対応の自動化に取り組み、先駆者としての地位を築いてきました。

同社はUpwork、Grammarly、Airtable、Datadogなど著名企業を顧客に持ち、2025年時点で月間10億件を超える顧客対応を処理しています。累計資金調達額は1億1500万ドルに達していました。

Zendeskは今回の買収により、特化型AIエージェントや自己改善型AI、音声自動化、自律型機能など自社AI製品の強化を加速させます。同社は製品ロードマップを1年以上前倒しできると説明しています。

Zendeskは2022年11月にHellman & FriedmanとPermira主導のコンソーシアムにより約102億ドルで非公開化されています。2007年の創業以来約12件の買収を行っていますが、金額を公開したケースはごく少数にとどまります。

Vercelが提供するオープンソースのChat SDKが、新たにWhatsAppアダプターへの対応を発表しました。これにより、Slack、Discord、GitHub、Teams、Telegramに加え、WhatsAppでも同一コードベースからボットを構築できるようになります。

WhatsAppアダプターは、メッセージの送受信やリアクション、自動分割送信、既読通知といった基本機能をサポートしています。さらに画像や音声メッセージ、スタンプなどのマルチメディアダウンロードにも対応し、位置情報はGoogle MapsのURLとして処理されます。

導入方法はシンプルで、npmパッケージとして提供される@chat-adapter/whatsappをインポートし、数行のコードでボットを起動できます。既存のChat SDKのアーキテクチャを活用するため、他プラットフォーム向けのロジックをそのまま再利用できる設計です。

一方で現時点ではメッセージ履歴の取得、メッセージの編集・削除には対応していません。カード型UIはWhatsApp上では最大3つの選択肢を持つインタラクティブな返信ボタンとして表示され、非対応の場合はフォーマット済みテキストにフォールバックします。

また、WhatsApp固有の制約として24時間のメッセージングウィンドウが適用されるため、ボットはユーザーの最終メッセージから24時間以内にのみ応答可能です。なお本アダプターは、コミュニティメンバーによるPR #102の貢献が基盤となっており、オープンソースコミュニティとの協力で実現しました。

Googleは2026年3月11日、ダブリンで開催された「Growing Up in the Digital Age」サミットにおいて、若年層向け生成AIの安全対策に関する包括的なロードマップを発表しました。Trust & Safety担当VPのクリスティ・アビザイド氏が基調講演で方針を示しています。

同社の安全対策は、児童性的虐待コンテンツや暴力的過激主義、自傷行為などを明確に禁止するポリシーを基盤としています。これらの保護策はユーザーの入力からモデルの出力まで、開発ライフサイクル全体に組み込まれる設計です。

Gemini 3では追従性の低減、プロンプトインジェクションへの耐性向上、サイバー悪用防止の改善が確認されました。社内のContent Adversarial Red Team（CART）は2025年だけでテキスト・音声・画像・動画を含む350件超の演習を完了しています。

若年ユーザーがAIと強い感情的つながりを形成するリスクにも対応し、感覚の主張や恋愛的関係のシミュレーション、有害キャラクターのロールプレイを禁止する人格保護機能を設計しました。外部専門家との連携としてThornのSafety by Design原則にも署名しています。

害の防止にとどまらず、AIリテラシーの推進にも注力しています。家庭向けの「AI入門5つの必須知識」動画や会話ガイドを公開し、Geminiには問題を分解して個別に説明を適応させるGuided Learning機能を搭載。若年層が安全にAIの恩恵を享受できる環境整備を進めています。