音声生成– tag –

はじめに 　Googleが2026年9月15日、高度な推論能力と流暢な対話を可能にする最新の音声モデル「Gemini 3.8 Live」と「Gemini 3.8 Live Extended Thinking」を発表しました。本稿では、複雑なタスク実行と自然な対話を両立する本モデルの性能と、実用化に...

はじめに 　OpenAIは 2026年9月10日 、全二重音声モデル「GPT-Live-1」をAPIで公開しました。音声の聞き取りと発話を単一モデルで同時に処理し、割り込み対応や低遅延化を狙います。本稿では、性能指標、バックエンド委譲、料金、実装上の注意点を整理しま...

はじめに 　OpenAIは2026年8月3日、公式ブログで音声AI「GPT-Live」の内部構造を解説する記事を公開しました。ターン検出を排した全二重会話の仕組みと、応答速度を支える通信・推論基盤の設計について、本稿で紹介します。 参考記事 タイトル: How we bui...

はじめに 　xAIは2026年7月6日、音声AIサービス「Grok Voice」に新たな音声21種を追加したと発表しました。既存5種と合わせ、サポートやキャラクター、教育など用途別に設計された音声が利用可能になったほか、既存音声の自然さも向上しています。本稿では...

はじめに 　xAIは2026年7月1日、コードを書かずに音声AIエージェントを構築できるプラットフォーム「Voice Agent Builder」のベータ版を発表しました。同社の音声モデル「Grok Voice」上で、電話応対エージェントを最短2分で構築できるとしています。本稿...

はじめに 　OpenAIが2026年5月7日、Realtime APIに3つの新しい音声モデルを追加しました。GPT-5クラスの推論能力を持つ「GPT-Realtime-2」、70以上の言語を13の出力言語にリアルタイム翻訳する「GPT-Realtime-Translate」、そして低遅延のストリーミング文...

はじめに 　xAIは2026年4月30日、Grok TTSおよびVoice Agent APIに対応するカスタム音声クローン機能「Custom Voices」と、ボイスカタログを一元管理する「Voice Library」を発表しました。本稿では、発表ブログとxAI公式ドキュメントをもとに、Custom Voi...

はじめに 　xAIが2026年4月23日、最新フラッグシップ音声エージェントモデル「Grok Voice Think Fast 1.0」をAPI経由で公開しました。音声AIの業界標準ベンチマーク「τ-voice Bench」でトップを獲得し、すでにStarlinkのカスタマーサポートに実運用されて...

はじめに 　xAI（イーロン・マスク氏が設立したAI企業）が2026年4月17日、音声認識（STT）と音声合成（TTS）の2種類のスタンドアロンAPIを公開しました。Grok VoiceやテスラのNPCシステム、Starlinkのカスタマーサポートを動かしているのと同じ技術基盤を...

はじめに 　Googleが2026年4月15日、テキスト読み上げ（TTS）の最新モデル「Gemini 3.1 Flash TTS」を発表しました。新たに導入された「音声タグ」機能により、声のトーンや速度・アクセントをテキスト内の自然言語で直感的に制御できるようになっています...