音声（マルチモーダル）に関するニュース一覧

WIREDの記者は2026年夏、サンフランシスコでAppleのiOS 27開発者向けベータ版に搭載されたSiri AIを試し、その後約1カ月にわたり日常利用しました。回答は従来より信頼でき、端末内の個人情報を活用した検索も便利でしたが、当初期待したほどスマートフォンの使い方は変わらず、利用頻度は徐々に低下したと報告しています。

Siri AIは、端末内を索引化した個人コンテキストを使い、古いメッセージや写真を素早く探せます。別のベータテスターも、端末内情報の検索、一般知識、音声入力が従来版より改善したと評価しており、機能面の進歩は明確です。

一方、記者はInstagramの閲覧やYelpでの検索、手入力やスワイプといった従来の行動に戻りました。すでにAnthropicのClaudeを頻繁に使っていたこともあり、端末に統合された便利さだけでは、既存の利用習慣を置き換えられませんでした。

それでもアナリストは、熱心なAI利用者からの評価が普及を左右するとは限らないとみます。多くのiPhone利用者は標準ソフトを受け入れやすく、Appleの大規模な利用基盤とデータプライバシーへの信頼がSiri AIの導入を支える可能性があります。

ただし、生成AIへの倫理的な反発や幅広い不信感を持つ層は、機能が改善しても利用を避ける可能性があります。普及には性能だけでなく、既存の行動や競合サービス、Appleへの信頼、AIへの抵抗感が絡む構図です。

ストレージ機器などを手がけるUgreenは2026年9月、家電見本市IFAでスマートホーム基盤「HomeAgent」を発表しました。防犯カメラ映像や個人ファイルを家庭内に保存し、端末上のAIと音声アシスタント「Uliya」で機器操作や自動化を担う構成で、プライバシー保護とクラウド型サービスで一般的な月額保存料の不要化を打ち出しています。

中核のハブはNAS、防犯カメラ用NVR、AIアシスタントを一体化します。カメラをまたぐ追跡、人・車・ペット・荷物の識別通知、映像の自然言語検索、出来事の文章化に加え、音楽や写真などの保存にも対応します。

HA100は定型の音声指示と基本的なルール自動化、HA100 Proは文脈を踏まえた理解に対応します。最上位のMasterAgent MA100はNVIDIA Jetson Thor T5000を搭載し、より高度な端末内処理を担います。

HomeAgentはMatterコントローラーとして動作し、Wi-Fi、Zigbee、Thread、Bluetooth、NFC、ONVIF/RTSP、PoEに対応します。ただし初期段階のMatter対応は照明、スイッチ、センサー、カーテンに限られ、同社の現時点の互換機器一覧も少数です。

先行価格はHA100が899ドル、HA100 Proが2,999ドル、MA100が9,999ドルで、2026年10月にKickstarterで発売する予定です。すべてを家庭内で処理できますが、通知と遠隔閲覧にはネット接続が必要で、導入価値は既存機器との互換性や設定のしやすさに左右されます。

Googleは2026年9月4日、Google翻訳のライブ翻訳に、Androidで別の作業中や画面をロックした後も翻訳を続けられる機能を追加しました。iOSでは、世界中の利用者が翻訳音声を端末の受話口から直接聞けるようにし、70を超える言語に対応するほぼリアルタイムの音声翻訳を、長い会話やヘッドホンがない場面でも使いやすくしました。

Googleによると、ライブ翻訳セッションの3分の1超は5分を超えています。Androidのバックグラウンド動作により、利用者は別の作業をしたり画面をロックしたりしても翻訳を継続でき、iOS対応も近く予定されています。

iOSでは、翻訳音声を端末の受話口から直接再生できます。この機能はAndroidではすでに利用でき、ヘッドホンがないときも端末を耳に当てて翻訳を聞けます。

Googleは利用場面として、騒がしい空港でのアナウンスや混雑したツアーを挙げています。今回の更新は、長時間の会話ではAndroidのバックグラウンド動作、周囲が騒がしい場面ではiOSの受話口再生という異なる使い方を支えます。

Microsoft AIは2026年9月3日、音声認識モデル「MAI-Transcribe-2」をMicrosoft FoundryとMAI Playgroundで公開しました。60言語に対応し、話者分離や単語単位の時刻情報などを基本機能に含め、開始価格を音声1時間当たり0.10ドルに設定し、企業の会議・顧客対応音声を低コストで処理する狙いです。

新モデルは雑音、低品質な録音、発話の重なりを想定し、話者分離、単語単位の時刻情報、キーワードによる専門語の認識補助、言語の自動判定を備えます。言いよどみまで残す逐語形式と読みやすく整える形式を選べ、文中で言語が切り替わる会話にも対応します。

Microsoftによると、60言語を対象とするFLEURSで平均単語誤り率5.2%を記録しました。独立評価機関Artificial Analysisでは誤り率で2位とされ、OpenAI製品の10倍、ElevenLabs製品の7倍、Google製品の5倍の処理速度だと記事は伝えています。

開始価格は1時間0.10ドルで、4月に公開した初代の0.36ドルから約72%下がりました。Microsoftは5カ月で3世代を投入し、対応言語を25から43、60へ広げており、自社製品の処理費用と外部モデルへの依存を減らす戦略がうかがえます。

ただし0.10ドルは終了時期や通常料金が示されていない開始価格で、リアルタイム処理への対応も発表文では明確ではありません。企業は対象言語ごとの精度、話者識別の品質、データの保管・学習利用条件を実音声で確認してから導入を判断する必要があります。

2026年9月3日木曜日の朝、OpenAIのChatGPT、AnthropicのClaude、xAIのGrokで障害が重なり、多くの利用者が主要なAIサービスを使えなくなりました。チャットだけでなく、APIや開発支援、ファイル処理などにも影響が及び、各社は同日午後までに復旧を進めました。障害同士の関連は確認されていません。

OpenAIは東部時間午前10時43分、ChatGPTとCodexでエラー増加と性能低下を報告しました。会話に加え、ログイン、ファイルのアップロード、音声、検索、Deep Research、画像生成などが影響を受け、緩和策の導入後、午後0時55分に復旧としました。

Anthropicは午前9時23分、Claude Mythos 5.1、Fable 5.1、Opus 5への要求でエラーが増えたとして、部分障害を公表しました。チャット、Claude Code、APIに及んだインフラ問題は午後0時16分までに解消し、正午過ぎにはSonnet 5でも短時間の別障害が報告されました。

xAIのGrokは午前9時30分ごろ、Android、iOS、ウェブで障害が始まり、利用者にはモデル過負荷を知らせる文言が表示されました。DownDetectorへの報告は午前9時前の10件未満から9時45分には1,365件に急増し、xAIは原因をメンフィスのデータセンター障害と説明して、その後復旧しました。

Ars TechnicaはGoogleを含む4社のクラウドAIで数時間にわたり障害が重なったと報じました。一方、確認できた各社説明はClaudeとGrokの個別原因にとどまり、三社の障害が関係していたか、なぜ同時期に集中したかは不明です。

Googleは2026年9月3日、Gmail、Google ドキュメント、Google Keepに、Geminiの音声モデルを使ったリアルタイム対話機能を正式投入しました。移動中など手操作が難しい場面でも、話しかけるだけでメール検索、文書作成、メモ整理を進められ、英語版を今週からモバイル向けに順次展開します。

Gmail Liveは受信箱を横断し、フライトの搭乗口や今週の学校行事といった情報を自然な質問で尋ねると回答します。長いメールスレッドを手で探さず、回答根拠のメールを画面の文字起こしから確認でき、続けて質問したり途中で話題を変えたりできます。

Docs Liveは会話しながら考えを整理し、構造化された文書の初稿を作ります。許可を与えればGmail、Drive、Chat、ウェブから関連情報を取り込み、長文の要約や企画書への整形、構成と語調の調整を支援します。

Keep Liveは、自然に話したまとまりのない考えを理解し、実行しやすいリストやメモへ整理します。入力語句を厳密に指定する必要はなく、「ペストの材料を買い物リストに追加」といった指示も処理します。

提供条件は製品ごとに異なります。GmailとKeepはGoogle AI Plus、Pro、Ultra、DocsはProとUltraの契約者が対象で、KeepはAndroidのみ、GmailとDocsはiOSとAndroidで利用できます。3機能ともGoogle Workspaceの法人顧客には近日提供予定です。

Googleは2026年9月3日、エージェント業務や開発、多段推論向けの「Gemini 3.8 Flash」と、脆弱性の発見・修正に特化した「Flash Cyber」を発表しました。前者はGemini EnterpriseやAPIなどで提供を始め、後者は政府機関や重要インフラ運営者ら信頼できる防御側に限定展開します。Cyber版は防御側に専門家級の能力を届ける狙いです。

3.8 Flashの料金は入力100万トークン当たり0.75ドル、出力100万トークン当たり3.75ドルで、3.7 Flashの導入価格と同額です。入力枠は100万トークン、出力上限は6万4,000トークンで、テキストに加えて画像、音声、動画、PDFを扱えます。

利用者は品質、費用、応答時間に応じてモデルの処理量を調整できます。Googleは複雑な課題で推論手順を増やすため、性能を優先するとトークン消費が増える場合があると説明し、効率重視の用途では3.7 Flashも引き続き全面的に支援します。

評価では、3.8 Flashが金融や法律を含む複数の専門ベンチマークで前世代を上回り、Humanity’s Last Exam Verifiedで54.9%を記録しました。Arena.aiではAgent Arenaの14位、Text Arenaの7位となり、後者ではClaude Opus 5や3.7 Flashより上位でした。

Googleによると、Flash CyberはCyberGymで86.2%、AIの修正能力を測るCWE-Benchで47.2%を記録しました。同社の社内評価では20のプログラミング言語で脆弱性発見の成功率が70%超となり、Chromeの脆弱性では大型商用モデルより正しい修正案を2.6倍多く生成したとしています。

GoogleはFlash Cyberを自社コードの防御に使う一方、攻撃への悪用を抑えるため、当初はFairwind Programを通じて信頼できる防御組織にだけ提供します。同モデルがChromiumとChromeに13年間潜んだ不具合を発見した事例もあります。大規模コードの点検費用で防御側が圧迫されるなか、Googleは開発者の修正作業を効率化できるとみています。

Metaは2026年9月2日、リアルタイム音声認識モデル「Muse Voice Transcribe」を公開APIで1時間0.18ドルに設定しました。ストリーミング文字起こし、発話区間検出、20人超の話者識別を単一モデルで処理し、多言語が混ざる会話にも対応します。会議分析や通話解析、音声エージェントを開発する企業に、低価格と話者対応精度を組み合わせた選択肢を提示します。

Meta Superintelligence Labsが開発し、1時間を超える長時間音声、言語の切り替え、言語・キーワードの優先指定に対応します。70言語超で学習し、初期提供では25言語を重点的に検証しました。話者識別は別の後処理ではなく、音声認識や発話区間検出と同時に学習・実行します。

音声は80ミリ秒単位で入力され、モデルは追加音声を待つか、文字を出力するかを各段階で判断します。適応遅延により、曖昧な発話では文脈を待ち、十分な情報があれば早く確定する設計です。話者ラベルは確認済みの人物IDではなく、セッション内だけで有効なA、Bなどの記号です。

公開価格は1000分3ドルで、ストリーミングと非ストリーミング、標準処理とデータ非保持処理はいずれも同額です。1000時間なら約180ドルで、話者識別に追加料金を課す競合より総費用を抑えやすい一方、最安ではなく、Sonioxは1時間0.12ドルを公表しています。

Metaが公開したArtificial Analysisのストリーミング評価では、最終文字起こしの単語誤り率は3.1％で、比較対象中の首位でした。話者識別誤り率も3つのデータセット平均で17.5％と、同社の比較表に掲載された競合より低い結果です。ただし、20人超は世界記録ではなく、Speechmaticsは最大100人、Amazon Transcribeは最大30人を公表しています。

導入時には機能・運用上の制約があります。APIの時刻情報は発話単位で、単語単位の時刻や信頼度、環境音・感情の検出は提供せず、既定はテナント当たり8同時ストリームです。リアルタイム接続は60分までなので、長時間利用では再接続を設計する必要があります。

2026年9月2日、WIREDは、企業のAI採用面接に応募者がChatGPT Voiceを使って応じ、AI同士が会話する事例を報じました。政府関連の請負業務が減って半年で約700件に応募した男性は、IT人材会社Everforth Apex SystemsのAI採用担当「Riley」と5回面接しても人間から連絡がなく、5回目は自分の経歴を与えたChatGPTに応答を任せました。

最初のAI同士の通話は10分間続き、入社可能日の確認では同じやり取りを繰り返しました。Rileyは条件を満たせば人間の採用担当者が連絡すると説明しましたが、今回も連絡はありませんでした。男性が求人票の条件を詰め込んだ架空の応募者を作ると、AI同士の面接は23分間続いたものの、その後の連絡はありませんでした。

採用管理サービスGreenhouseの調査では、求職者の63％がAI面接を経験したと回答しています。応募の急増を処理するため採用側の利用が広がる一方、音声AIは話し方の違いや言いよどみに対応し、応募者の発言を遮らず会話することが技術的な課題です。

応募者側のAI利用も一般化し、採用AI企業Ribbonは、台本を読み上げたような回答やAIの支援、事前指導を検知する機能を売りにしています。採用側と応募者側がともにAIを使う状態を、コールセンター企業の幹部は次の論理的な段階とみる一方、全面的に歓迎しているわけではありません。

この事例ではAI面接を重ねても採否や次の手順が伝わらず、応募者の不満がAIによる応答代行につながりました。ただし、面接後に連絡がなかった理由は確認されておらず、Everforth Apex SystemsもWIREDの取材に回答していません。

音響機器メーカーSonosは2026年9月1日、新たな「音響OS」を掲げ、アプリ基盤「Sonos 27」と生成AI音声機能、ヘッドホン「Ace Ultra」、サウンドバー「Beam Ultra」を発表しました。2024年のアプリ刷新で機能欠落やアクセシビリティ低下を招いた反省から、利用者の声を取り入れて操作性と機器連携を立て直し、スピーカー会社から総合音響基盤への転換を目指します。

Sonos 27アプリでは、タブ移動、部屋の並べ替え、音量操作を改善し、秋には製品ごとの接続障害を診断するシステム状態画面を追加します。早期提供の「Sonos 27voice」は気分に応じた楽曲の音声検索に対応し、MCP経由でChatGPTなど任意のAIサービスから再生を指示できます。

利用者は「Sonos Custom Agents」を設定し、特定の時刻や部屋でスピーカーを動かす処理、応答音声の変更ができます。生成AI機能はオプトインで、不要なら有効にせず従来機能を使えます。

製品間の同期網には「Sonos Fabric」と命名し、別の部屋から持ち込んだスピーカーをサラウンド用に自動調整する「portable surround」と、スピーカーとヘッドホン間で再生を移す「Headphone Linking」を導入します。Ace UltraはWi-FiでSonos製品群につながり、電池は35時間、USB-Cと3.5ミリ接続にも対応します。Beam Ultraは従来機より4基多い9基の上向きドライバー、AI会話明瞭化、Wi-Fi、Bluetooth、HDMI eARCを備えます。

一方、Sonos 27はS2アプリで動作し、旧型機器向けS1アプリは対象外です。新機能が使える製品や更新経路の詳細は後日公表とされ、既存利用者には互換性と設定の複雑さがなお判断材料になります。

Googleは2026年9月1日、Android端末向けの「September Android Drop」を発表し、重要品の保管場所をGeminiで記録する機能、乗り物酔いを抑えるMotion Assist、視覚障害者を支援するGuided visionなど5つの更新を展開すると明らかにしました。端末を日常生活に適応させ、移動中の利用、周囲の把握、メッセージ上の共同作業を改善する狙いです。

Motion Assistは、車両の動きに合わせて動く泡を画面に重ね、目で見る画面と身体が感じる動きのずれを小さくする設計です。Android 17搭載スマートフォンで利用でき、自動起動やクイック設定への追加、泡の形・色・透明度の変更に対応します。

Guided visionはGemini Liveでカメラ映像を共有し、食品表示の細字や暗い店内のメニュー、身の回りの物を音声で説明します。カメラの向きが不適切な場合は、端末の移動やパン、対象物を中央に置く操作も音声で案内し、Gemini提供国のAndroid 9以降へ順次提供されます。

Find Hubの「記憶したアイテム」では、パスポートや予備鍵などの保管場所をGeminiに伝え、任意の写真とともに保存できます。後からGeminiに尋ねるか一覧で確認でき、GeminiとFind Hubの対応国にあるAndroid 16以降の端末が対象です。

Google Messagesでは、会話画面を離れずにGoogle Keepのリストやメモを共同編集できる連携機能の展開が同日始まりました。チャットごとの背景・写真・色を変え、吹き出しの色も合わせるChat themeはすでに利用可能です。

Googleは2026年9月1日、同年8月に発表したAI関連の製品・研究成果をまとめて公開しました。Geminiアプリの月間利用者は10億人を超え、低価格な開発者向けモデル、AI向けスマートフォン、音声・動画生成、教育、気象予測まで用途を拡大。AIを研究段階から日常業務や生活で使える基盤へ移す動きが鮮明です。

開発者向けには、コーディングやAIエージェントに対応するGemini 3.7 Flashを、3.6 Flashの公開から3週間で投入しました。ソフトウェア開発、知識労働、ウェブ開発の性能を高め、導入価格は3.6 Flashの当初価格に比べ、100万トークン当たり半額です。

端末ではPixel 11シリーズにGoogle Tensor G6と最新のGemini Nanoを搭載し、個人向け支援を端末側へ広げました。Geminiアプリでは利用者の63％が音声で対話し、画像生成は1日1億5000万枚を超えています。

教育分野では、対象となる世界の大学生にGoogle AIプランを1年間無料提供し、検索には対話型の図解、試験用クイズ、Lensによる段階的学習などを追加しました。生成メディア向けのGemini Omni 1.1 Flashは、場面延長、前後フレーム補間、4K高解像度化に対応します。

社会課題への応用も進みました。Googleは英国政府や航空業界と飛行機雲を避ける予測技術の展開を進め、サイクロンの進路・強度・風の構造を高精度で予測するWeatherNext 2を研究者向けにオープンソース化しました。企業にとっては、モデル性能だけでなく、費用、端末実装、業務への組み込みやすさを見極める局面です。

Googleは2026年9月1日、最新モデルのGemini 3.7 Flash、3.6 Flash、3.5 Flash-Liteにエージェント型動画理解を導入しました。映像・音声・文字起こしから必要な場面だけを動的に調べ、従来の固定フレーム処理に比べて解析費用とトークン消費を抑えながら精度を高め、長時間動画の分析を効率化します。

従来方式は動画を既定で毎秒1フレーム取り込みます。新方式はGeminiが問いに応じて、見る箇所、再生速度、映像・音声・文字起こしのどれを使うかを決め、内部ツールで必要な区間だけを読み込みます。

標準的な動画解析ベンチマークでは、解析費用を最大66％、トークン消費を最大88％減らし、精度を最大7％高めました。3モデルのうちGemini 3.7 Flashが品質と費用効率の組み合わせで最良だったとGoogleは説明しています。

対象場面を1秒未満の精度で探すほか、数時間の動画をまたぐ検索、異常検知、動作や物体の計数に対応します。注目区間を高いフレームレートで再確認できるため、速い動きや固定の毎秒1フレーム処理では見落としやすい変化も分析できます。

動画ファイルとYouTube動画を対象に、Google AI StudioのGemini APIとGemini Enterprise Agent Platformで提供を始めました。標準のGemini API料金で利用でき、追加料金はなく、API設定のprocessingを「agentic」に指定して有効化します。

GoogleはGeminiアプリのFlash系モデルにも近く展開し、今後数カ月でYouTubeの「Ask YouTube」にも組み込む予定です。開発者にとっては、長時間動画の詳細を落とさず、コストと実装負担を抑えられる点が導入判断の焦点になります。

米新興企業Circlebackは8月31日、AIによる会議メモ作成サービスに新たな無料プランを導入したと発表しました。これまで同社には無料プランがなく、最も安いプランでも月20.83ドルからでした。今回の無料プランでは、会議の文字起こしを無制限に行えるほか、直近30日間の履歴を閲覧できます。急速に競争が激しくなる市場で、より多くのユーザーに製品を試してもらう狙いです。

無料プランでは、会議の録音のほか、スマートフォンアプリやApple Watch向けアプリの利用、AIを使った文字起こし内容への質問、Linear・Slackとの連携が可能です。一方、全ての外部連携や無制限の履歴閲覧、API・MCPへの完全アクセスを求める場合は、年払いで月15ドルからの有料プランへの加入が必要になります。

背景には、AI議事録市場の競争激化があります。ここ数週間だけでも、音声入力アプリのWisprが独自の議事録機能を投入したほか、スケジュール調整アプリのCalendlyも同様のツールを追加しました。Granola、Read AI、Firefliesといった専業スタートアップも巨額の資金調達を重ねており、Circlebackはこうした動きへの対応を迫られていました。

Circlebackは2023年、Ali Haghani氏とKevin Jacyna氏が創業したY Combinator出身の企業です。2024年に250万ドルを調達して以降は黒字を維持しており、従業員8人で年間経常収益(ARR)は1人当たり100万ドル超、総額でおよそ800万ドルに達しています。

Haghani氏は、これまで無料の試用期間が限られていたことで利用者の離脱が大きかったと説明し、今回の無料プラン導入がその解決策になると述べました。同社はGoogle広告やMeta広告に費用を投じておらず、今回の無料プランがマーケティング施策の役割を果たすといいます。資金調達については当面予定していないとしつつも、必要になれば前向きに検討する姿勢を示しました。

2009年にマサチューセッツ工科大学(MIT)の研究者らが着想したプログラミング言語Juliaが、利用者100万人を超える世界的な言語に成長しました。開発を担うJuliaHubは現在、AI基盤Dyad 3.0を通じてボーイングなどの企業と提携し、設計図をもとに航空機を自動設計するエージェント技術の実用化を進めています。

開発の出発点は、科学者や研究者向けの計算言語が遅く使いにくいことへの不満でした。数学者のアラン・エーデルマン教授やヴィラル・シャー氏らMITの研究者は2009年にJuliaラボを設立し、2012年にブログでJuliaを発表しました。想定より早く多くの研究者から反響を得たといいます。

Juliaは高速な数値計算に強みを持ち、ブラックホールの撮像やレース車両の解析、半導体設計など幅広い分野で使われています。利用者の増加に伴い、開発チームは2015年にJuliaHubを設立し、MITのデシュパンデ・センターなどの支援を受けて事業化を進めました。

Juliaで構築された創薬モデリング基盤は、モデルナの新型コロナワクチン開発の加速に貢献しました。航空機の衝突回避プログラムは、Python版より約50倍高速化しました。Metaは、WhatsAppの音声コーデック開発にもJuliaを採用しています。

JuliaHubは2025年6月にAIエージェント「Dyad」の初版を公開し、2026年4月に最新版Dyad 3.0を発表しました。物理法則を検証する「フィジックスコンパイラー」として機能し、ボーイングなど顧客企業と共に、設計文書から航空機全体を自動設計するエージェント型ハードウェア設計に取り組んでいます。

シャー氏は、Dyadの活用により製品設計の期間を大幅に短縮できると説明しています。エーデルマン教授の授業でも学生がDyadでロケットエンジンを設計する例が生まれるなど、Juliaを核とした自動設計技術は教育現場にも広がりつつあります。

AIを使って大量の動画や音声ファイルを検索できるサービスを手掛ける米サンフランシスコ発のスタートアップCliptoは、既存投資家らから1500万ドルを全株式で調達したと発表しました。今回の調達により評価額は2億5000万ドルに達し、生成AIの普及で急増するコンテンツ管理という課題に商機を見出しています。

Cliptoはユーザーのパソコン内にある動画・音声・画像・会議録などのファイルを自動で索引化し、フォルダーをたどらなくても自然言語で欲しいファイルを探し出せる仕組みを提供しています。ChatGPTやClaudeといったAIツールから直接検索を依頼することも可能で、処理はすべて端末上で完結するため、クラウドを介さずに済む点も特徴です。

創業者のヘンリー・カン氏は、カーネギーメロン大学の博士課程時代からロボットに周囲を記録・記憶させる研究に取り組んでおり、その発想を最初の起業やテンセントに買収された動画編集スタートアップZenvideoにも応用してきました。2023年に前回起業の仲間らとCliptoを設立し、あふれる動画コンテンツを「探して再利用する」需要に着目したといいます。

当初は動画制作者向けに開発された製品でしたが、現在は利用者全体の4分の1から3分の1程度を占めるにとどまり、弁護士や医師、研究者、人事担当者、教員や学生など幅広い層に利用が広がっています。累計利用者数は3000万人を超え、有料課金者も数十万人規模に達しているとのことです。

Cliptoは2026年初めに年間経常収益(ARR)1500万ドルを達成し、純利益ベースで黒字化しているといいます。従業員はサンフランシスコ・ベイエリア、香港、シンガポールを合わせて20人強にとどまり、少人数体制での成長を続けています。約2週間前には、AIアプリケーションが外部情報にアクセスするための標準規格「MCP」への対応も追加しました。

AdobeのPremiereやApple・GoogleのフォトアプリもAIによる検索機能を備えていますが、いずれも自社サービス内のファイルが対象です。これに対しCliptoは動画・音声・画像・文書を横断して検索できる点を強みとし、大手との差別化を図っています。今回調達した資金は、AIモデルや計算基盤の整備、さらに他のAIエージェントとの連携拡充に充てる方針です。

建設・鉱山機械大手のキャタピラーは、今月米ラスベガスで開催されたAi4カンファレンスで、最高技術責任者(CTO)のジェイミー・マイナート氏が、数十年かけて培った鉱山自動化の知見を企業向けAI導入に活用する方針を明らかにしました。多くの企業がAI技術を日常業務に統合する難しさに直面する中、同社は自動化事業で得た教訓を横展開する狙いです。

具体策の一つが、現場の技術者が機械の前で音声コマンドを使い、修理手順の確認やトラブルシューティング、必要部品の特定を行える「CatAIアシスタント」です。マイナート氏によると、既に顧客や現場のオペレーター、技術者に利用が広がっているといいます。このツールは同社が保有する接続機器のデータを基盤としており、世界で約160万台の接続資産から得られる16ペタバイト超の構造化データを活用しています。

キャタピラーは製造現場のスキャンやデジタルツイン生成にもAIを活用し、稼働状況の分析を進めています。ソフトウェア開発の分野でもAIエージェントを使い、老朽化したコードの刷新や新規ソフトの生成・テスト、不具合の早期発見に取り組んでいるとマイナート氏は説明しました。

一方でマイナート氏は、技術を開発するだけでは不十分だと強調します。自律機械の導入は現場の作業員の働き方や既存の業務プロセスの見直しを伴うためです。同社は熟練オペレーターの知見をAIシステムの学習に活用しており、単一機械の操作から遠隔指令センターで複数機械を監督する役割へと移行するオペレーターも出てきています。

この変化は従業員11万8000人の再教育という新たな課題も生んでいます。キャタピラーは今後5年間で1億ドルを投じ、AI・自動化・ロボティクス分野の人材育成を進める計画です。

こうした投資は、AIインフラ需要の拡大による業績拡大を後押しする狙いもあります。第2四半期の売上高は205億ドルと過去最高を記録し、データセンター向け発電設備の需要増を受けて発電部門の売上は72%増の31億ドルに達しました。ジョー・クリード最高経営責任者(CEO)は、クラウドコンピューティングと生成AIインフラへの需要について「減速の兆しはない」と述べています。

OpenAIは2026年8月28日、タイの高等教育・科学研究・イノベーション省（MHESI）と共同で、医療・教育分野のタイ新興企業10社を対象とする8週間のAIアクセラレーターをバンコクで開始したと発表しました。国家イノベーション庁（NIA）やマヒドン大学、Techsauceなどが協力機関として参加しています。

アクセラレーターでは、参加企業がOpenAIのメンターから技術指導を受けながら、プロトタイプを実用段階の製品へと磨き上げます。各社には2000ドル相当のAPIクレジットと最新モデルへのアクセスが提供され、専属メンターも付きます。週次セッションでは製品設計や自動テスト、責任あるAI、資金調達などのテーマを扱います。

背景には、タイにおけるAI利用の急拡大があります。OpenAIによると、タイはChatGPTの週間利用者数で世界上位20カ国に入っており、2026年入り後はコーディング支援ツール『Codex』の週間利用が350倍以上に増加しました。高齢化や教育のデジタル化が進む中、現地に根ざしたAI活用への期待が高まっています。

第1期には医療・ウェルネス分野5社と教育分野5社の計10社が選ばれました。病院の電話応対を担う多言語音声エージェントを開発するCARIVAは、患者の言語に合わせた予約対応や緊急事態の検知を目指します。子供向け学習ツールを手がけるCuricoは、バンコク都庁の保育施設での試験導入を計画しています。

プログラムは11月にバンコクで開催されるDemo Dayで締めくくられ、各社は投資家や政府機関、大学、病院などに成果を披露します。OpenAIは今回の取り組みを長期的な連携の第一歩と位置付け、タイ発のAI製品を世界へ広げるモデルの確立を目指すとしています。

Hugging Faceは2026年8月28日、音声認識モデルを比較するOpen ASRリーダーボードに、Voice Arenaと共同開発したヒンディー語の評価セット「Monsoon」を追加したと発表しました。南アジア言語として初の追加で、話者属性を詳細に記録し、平均WERでは見えない地域や話者ごとの認識精度の偏りを可視化する狙いがあります。

新たに追加されたMonsoonデータセットは、4,888人の話者による発話を収録し、性別や年齢、居住地区、使用端末など12項目の話者属性を各クリップに付与しています。話者の重複を避けた分割により、上位10人の寄与度は全体の7%未満に抑えられ、特定の声や地域に結果が偏らない設計になっています。

公開データを用いた検証では、インド英語の音声認識で平均WERが4.81〜4.99とほぼ同水準だった8モデルが、地域別に見ると大きく異なる挙動を示しました。mistralai/Voxtral-Mini-3Bは中央部で4.38、東部で6.06と1.68ポイントの差が生じ、どの地域が最も苦手かもモデルごとに異なっていました。

ヒンディー語は英単語との混在や表記揺れが多く、単一の正解文字列を基準にした従来のWERでは公平な採点が困難でした。そこでチームは、複数の正しい表記を許容する採点方式「Orthographically-Informed Word Error Rate(OIWER)」を導入し、実装コード「voi-oiwer」もオープンソースで公開しています。

インド英語のセットは主要リーダーボードの既定列に組み込まれ、全モデルの平均WERに反映されます。ヒンディー語は多言語タブに追加され、対応言語をすべて選択した場合のみ比較対象になります。開発者は自身のモデルをリーダーボードに登録することで、非公開分割を含めた評価を受けられます。

Hugging Face傘下のフランス企業Pollen Roboticsは8月27日(木)、オープンソースの家鴨型ロボット「Microduck」を発表しました。価格は399ドルで予約受付中、クリスマス前に出荷予定です。CEOのClement Delangue氏は「物理AIとワールドモデルを民主化する、手頃な価格のオープンソースロボットの時代へようこそ」とコメントしています。

本体の高さは約25センチで、片目のような愛らしい外見が特徴です。カメラやLiDARセンサー、2基のIMU(慣性計測装置)を搭載し、周囲の状況を認識します。よちよち歩きや起き上がり、しゃがみ込み、ローラースケートでの走行のほか、くちばしで最大800グラムの荷物をつかんで持ち上げることもできます。

Microduckの動作はシミュレーション上で学習させ、そのまま実機に展開できる仕組みです。開発者は強化学習を使って新しい芸を教え込んだり、再学習・再展開したりすることが可能で、SDKやシミュレーション環境、学習用スタック一式はGitHubで公開されています。個体ごとに固有の合成音声で歌うほか、レーザーポインターやゲームコントローラーでの操作にも対応します。

Pollen Roboticsはもともとフランスのロボティクス企業で、Hugging Faceが2025年4月に買収しました。両社は同年にデスクトップ型ロボット「Reachy Mini」を発売しており、499ドルのRaspberry Pi版と399ドルのMac・PC接続版を展開しています。Microduckはこれに続く同社2機種目の製品となります。

カメラを搭載したロボットが寝室などプライベートな空間に置かれることへの懸念について、Delangue氏はオープンソースモデルで動くロボットの方が、少数の企業が管理する『ブラックボックス』システムより信頼できると説明しています。Hugging Faceを巡っては、Nvidiaが約130億ドルの評価額で買収を検討していると報じられているほか、直前にはOpenAIによるサンドボックス侵入を通じたセキュリティ侵害も明らかになっています。

Googleは8月27日、AIノートアプリ「Gemini Notebook」に新機能「Expert Intelligence」を追加したと発表しました。Google Playで購入した電子書籍を直接取り込み、内容に基づいた質問応答や要約作成ができるようになります。著者や出版社の知見をより身近な形で読者に届けることが狙いです。

具体的には、経営者がキム・スコット氏の著書『Radical Candor』を参照しながら部下への伝え方を相談したり、冷蔵庫の中身を撮影してマイケル・ポーラン氏の『Food Rules』を基に献立を提案してもらったりできます。手持ちの日記やメモと書籍の内容を組み合わせて活用することも可能です。

Expert Intelligenceは10万冊超の書籍とともに提供が始まり、ペンギン・ランダムハウスやオライリー・メディアなど大手出版社が参加しています。対象書籍はGoogle Playブックスの詳細ページで「Gemini Notebook」表示の有無から確認できます。

Googleはスティーブン・ピンカー氏やマイケル・ポーラン氏ら著名作家15人以上と協力し、著書を補足する資料を加えた「注目のノートブック」も用意しました。米国では期間限定で書籍を1冊無料提供するキャンペーンも実施しています。

利用には該当書籍をGoogle Playブックスで購入している必要があります。共有ノートブックに書籍が含まれる場合、未購入のユーザーには内容が閲覧できない仕組みとなっており、クリックすると購入ページへ誘導されます。

Googleは今後、Gemini本体アプリや検索の「AIモード」にもExpert Intelligenceを展開する方針です。学術論文や雑誌記事、サブスクリプション型の情報源にも対応範囲を広げる計画としています。

ロンドン拠点のスタートアップRelayは27日、キーボード入力を代替するAI音声入力アプリを発表しました。あわせて専用マイク「Relay Q」を公開し、2027年初頭の発売を予定しています。音声認識エンジンにはGoogleのGeminiモデルを採用し、ホットキーを押しながら話すだけで任意のテキスト欄に文字起こしできる仕組みです。

Relayを創業したのは、スマートフォンメーカーNothingの元社員2人です。AI・サービス部門責任者だったCookie Xu氏と、ハードウェア製品担当だったRaymond Zhu氏は、在職中に他社の文字起こしソフトを使っていましたが、オフィスで声量を調整しづらいという課題に直面していました。この経験が、専用マイクを開発する着想につながったといいます。

アプリは音声入力だけでなく、「Skills」と呼ぶ文脈理解型の操作にも対応します。例えばSlackで同僚にメッセージを送ったり、Googleカレンダーに予定を登録したりできます。こうした自動化には画面のスナップショットを取得する権限が必要で、データは端末に保存されるほか、処理時にはRelayのサーバーを経由してGoogle側に送られるものの、Relay側には残らないとしています。

現時点の文字起こし精度は、GoogleがPixelで提供する機能ほどではなく、句読点の誤りも見られます。一方で、言い直した発言を自動的に整えたり、相手ごとに文体を敬語かくだけた調子かに調整したりする学習機能を備えています。連絡先ごとに翻訳して送信する設定も可能です。

本体のRelay Qは円筒形で、上部を押しながら話しかける方式です。ボタン部分を取り外してシャツにクリップすることもでき、ダブルタップでメッセージを送信できます。価格は150ドルで、ソフトウェアの1年分利用権が付属し、以降は月額15ドルとなります。

同様の発想を持つ製品としては、指輪型のSandbar「Stream Ring」やPebbleの「Index 01」が既に一部購入者への出荷を始めています。Zhu氏はRelayでも指輪型を検討したものの、既に多くのスマートリングが市場に存在することから、別の形状を選んだと説明しています。

Googleは2026年8月26日、AIアシスタント「Gemini Live」に音声だけで作業を完結できる新機能を追加したと発表しました。Geminiの利用者は63%が声で話しかけているとの調査結果を踏まえ、複数の手順を伴う作業の自動化や朝の情報整理、メールの管理までを声だけで行えるようにしました。

Gemini Liveは、Googleのエージェント機能Sparkと統合しました。声で伝えた曖昧な要望や思いつきをSparkが整理し、Googleドキュメントやスプレッドシート、Driveと連携しながら、数日から数週間にわたる作業を裏側で自動的に進めます。通勤中に思いついたアイデアを話すだけで、帰宅時には構成が整理された文書に仕上がっている、といった使い方が可能です。

毎朝の情報収集も声だけで完結します。「今日のブリーフィングは?」と話しかけると、GmailとGoogleカレンダーの内容をまとめた音声の要約が返ってきます。画面を確認しなくても、その日にやるべきことを把握できるため、身支度をしながらでも状況をつかめます。

受信箱の整理も音声で行えるようになりました。「新着メールはある?」と尋ねるだけで、Gmail内のメールを検索・要約でき、重要な連絡をアーカイブしたり削除したりする指示も声で完結します。学校からの連絡など、見落としたくない情報もすぐに確認できます。

さらにPersonal Intelligence機能により、過去の会話や利用履歴を記憶し、Gmail・写真・検索・YouTubeなど複数のGoogleサービスをまたいで文脈をつなげます。「先週ニューヨークで行ったレストランの名前は?」といった曖昧な質問にも、履歴を参照して的確に答えられるようになりました。

これらの機能は、SparkやDaily Briefのどれを使うべきかユーザーが意識する必要はなく、一連の会話の中で自動的に適切な機能へつながる設計です。利用にはGeminiアプリのPersonal Intelligence設定で、各サービスとの連携を有効にする必要があります。

AIニュースリーダーを手がける米新興企業Particleは8月26日、ポッドキャストの音声を検索可能にする新サービス「Radar」を発表しました。音声を文字起こしして内容を理解し、重要な発言やハイライトを自動抽出することで、これまでテキスト中心だったAIエージェントが音声情報も扱えるようにする狙いです。

Radarはすでに13万本以上のポッドキャストを文字起こし済みで、業界最大級の規模を誇ります。Appleランキング上位200番組を135分野にわたって網羅し、毎日2万話が新たに索引へ追加されています。発言者の識別に加え、登場する人物や企業、製品などの固有名詞も自動で解析します。

共同創業者兼CEOのサラ・ベイクプール氏によると、API経由で直接連携する顧客の中で最も取引量が多いのはヘッジファンドだといいます。AI検索企業のExaなど大手データ企業とも提携しており、ジャーナリストや研究者にも利用が広がっています。メール、Slack、Webhookで通知を受け取れるアラート機能も備え、特定のゲストや話題に絞った条件設定が可能です。

注目すべき発言を自動で抜き出す機能もあり、番組全体を聴かなくても要点を把握できます。さらに広告出稿の追跡や視聴者数の推定、政治的偏向の分析、番組ランキングなど、企業のマーケティング調査に役立つ有料機能も用意されています。

料金は個人向けが月29ドル、20席分を含む法人プランが月399ドルで、API利用は個別見積もりとなります。Particleは今後、対象をポッドキャストからYouTube動画やニュース映像など他の音声・動画コンテンツにも広げる方針です。

米国の聴覚テック企業Legatoは8月26日、ステルスモードから始動し、1200万ドル(約12億円)の資金調達とAI搭載の聴覚支援メガネ「Legato Frames」を発表しました。米国では推定5000万人が難聴を抱えるものの、治療を受けているのは診断者のうち約20%にとどまるといい、同社はこの格差の解消を目指しています。フレームはこの秋に発売される予定です。

Legato Framesは、めがねのつるにフレームの独自の聴覚支援技術を統合した製品です。AIが背景雑音と人の声を判別し、声だけを増幅する仕組みを採用しており、従来の指向性マイクを使う補聴器が苦手とする騒がしい環境でも会話を聞き取りやすくします。デュアルスピーカー方式により装着者に向けて音を届けつつ、漏れる音は打ち消すため、数センチ離れると音量は99%低減されるといいます。

Legatoは2024年末、元Bose幹部のMehul Trivedi氏とSteve Romine氏によって設立されました。Trivedi氏はBoseでBose Framesの開発を主導した後、EssilorLuxotticaでMeta Ray-Bansのスマートアイウェア事業に携わった経歴を持ちます。Romine氏はBoseの補聴器部門を率いた後、聴覚ケア企業Audicusの最高執行責任者(COO)を務めていました。

Legatoは軽度から中程度の難聴を持つ人々を主なターゲットとしています。この層は難聴人口の中で最大の割合を占めるとされ、同社は費用や装着感、補聴器へのスティグマといった課題の解消を狙っています。今回の資金はNeotribe VenturesやListen、Village Globalなどから調達し、主に製品開発とマーケティングに充てられました。

フレームは年内の発売時、提携する眼鏡店を通じて全米で販売され、従来の補聴器に比べて大幅に低価格になる見込みです。眼科クリニックでの購入時には視力保険の適用対象となる可能性もあるといいます。Trivedi氏は「視力と同じくらい聴力のケアを当たり前にしたい」と述べ、聞こえの改善が認知症やうつのリスク低減にもつながると強調しています。

米グーグルは8月26日、対話型AI「Gemini」アプリに新音声機能Gemini Liveを追加すると発表しました。米TechCrunchは、アプリ内でチャットやSpark、Daily Briefが並立し、利用者がどれを使うべきか迷う点を問題視しています。グーグル自身が掲げる「使い分けに迷わせない」という理念と矛盾していると指摘しました。

Daily Briefは、メールやカレンダーの情報をもとに先回りして予定を提示する機能です。ただ実際には、緊急性の高い情報と単なるお節介な通知を区別できていません。過去にGoogle検索で調べた内容を後から蒸し返すこともあり、利用者に不快感を与えていると記事は指摘します。

一方でSparkは、利用者に代わって作業を実行するAIエージェント機能で、実用性は高いとされています。しかしグーグルはこれを独立したブランドとして展開しており、利用者は用途ごとにどちらの機能を使うべきか意識させられます。本来はリクエストを入力するだけでAIが自動的に処理すべきだと記事は主張しています。

この問題はGeminiに限りません。米AnthropicのClaudeでは「チャット」と「Cowork」の使い分けが必要で、両モードは今週まで会話の記憶さえ共有していませんでした。米OpenAIのChatGPTも「Chat」と「Work」の切り替えを求められており、AI業界全体でブランドが乱立する傾向が見られます。

対照的に、米AppleのSiri刷新は既存のアプリや機能を賢くする方向性を取り、新しい操作方法を覚える必要がありません。PokeやLindyなどテキストでAIとやり取りするサービスの台頭も、シンプルな体験を求める利用者心理の表れだと言えそうです。

Googleは8月26日、新しい音声認識モデル「Gemini 3.5 Transcribe」を発表しました。従来モデルの「Chirp 3」に代わるもので、文字起こし速度を最大70%高速化し、エラー率も改善しています。Android版Gboardの「Rambler」やmacOS版Geminiアプリに搭載済みで、開発者向けにもAPIで提供が始まりました。

Googleによると、音声から最終的な文字起こしまでの時間は従来比で約70%短縮されました。ライブ音声認識のエラー率は5.5%まで下がり、Chirp 3の7.32%から大きく改善しています。第三者機関Artificial Analysisの計測では、ストリーミング用途で平均4.0%、非ストリーミング用途では2.6%という単語誤り率も示されています。

Gemini 3.5 Transcribeは、話し言葉に含まれる「あの」「えっと」といったフィラー語を自動的に取り除き、言い直しもその場で編集してくれます。ユーザーが指定した独自の語彙を認識できるため、専門用語や固有名詞を誤変換しにくいのも特徴です。録音済み音声では最大3人の話者を識別し、単語ごとのタイムスタンプも付与します。

対応言語は85以上に及び、リアルタイム配信用の「Live API」と録音音声向けの「Interactions API」の2種類が用意されています。macOS版Geminiアプリでは、音声コマンドから画像生成やファイル分析といった作業を他のGeminiモデルに委任する関数呼び出し機能も利用できます。Chromeへの対応も近く始まる予定です。

今回の発表は、6月の投入が予告されながら遅れている「Gemini 3.5 Pro」の登場を待つ形での公開となりました。The Vergeによれば、当初は「3.5 Live」や「3.5 Live Experimental」の更新も同時に案内されていましたが、Googleは後に3.5 Transcribeのみが本日の発表対象であると説明を修正しています。

グーグルでグローバル渉外を統括するケント・ウォーカー氏は8月26日、シンガポールで開催された知的財産の国際フォーラム「IPウィーク」で基調講演を行いました。同氏は、AIモデルの学習データ利用に柔軟な例外規定を設けつつ、権利者にオプトアウトの権利を保証する枠組みを提唱しました。急速に進化するAI技術とクリエイターの権利保護を両立させる狙いがあります。

グーグルが委託したオックスフォード・エコノミクスの報告書によると、AIは今後10年間で世界のGDPを最大6兆ドル押し上げる可能性があるといいます。同社の新型AIモデルは2年前と比べて300倍効率化しており、医療やエネルギー、材料科学分野で研究者の成果創出を加速させています。ウォーカー氏は、こうした恩恵を最大化するには各国が適切な制度環境を整える必要があると訴えました。

ウォーカー氏は、著作権はこれまで一貫して「入力」ではなく「出力」に着目してきたと説明しました。AIの学習は図書館で本を読んで文章術を学ぶ行為と本質的に同じであり、公開データを使った学習には明確なテキスト・データマイニング例外を設けるべきだと主張しました。一方で、生成された出力が既存の著作物を侵害する場合は、利用者が責任を負うべきだとの立場を示しました。

同氏は、権利者が学習利用を拒否できる仕組みの重要性も強調しました。具体的には、Googleが導入した「Google-Extended」やrobots.txt、検索コンソールの新機能などを挙げ、これらが権利者に参加・不参加を選ぶ手段を提供していると説明しました。学習と接地の両方を柔軟に認めつつ、機械可読なオプトアウトを組み合わせることが「現実的な中間案」になるとの考えを示しました。

講演の終盤では、音声や顔を無断で模倣する「欺瞞的デジタルレプリカ」への対応にも言及しました。著作権法は個人の肖像やなりすましを保護する目的には適さないとし、米国で審議中のNO FAKES法やTAKE IT DOWN法のような専用法の必要性を訴えました。技術面では、生成コンテンツに透かしを埋め込む「SynthID」やYouTubeの類似顔検出機能を活用し、業界としての予防策を進めていると紹介しました。

Hugging Faceは2026年8月25日、オープンソースのWebアプリ構築フレームワークGradioに新機能「gr.Workflow」を追加したと発表しました。画像生成モデルや音声合成、外部の関数などをノードとして接続するだけで、複雑なAIパイプラインを視覚的に組み立てられるのが特徴です。作成した各出力は自動的にREST APIエンドポイントとして公開されるため、コードを書かずにAI機能を外部から呼び出せます。

gr.Workflowのグラフは、入力となる「参照」、処理を担う「操作」、出力となる「被写体」という3種類のノードで構成されます。操作ノードには自作のPython関数のほか、Hugging Face Inference Providers上のモデルや既存のGradio Space、Hubのデータセットなどを指定でき、ポート同士をドラッグでつなぐだけでパイプラインが完成します。

公開されたデモには、画像をアップロードして指示文だけで編集する画像編集パイプラインや、FLUXで生成した画像を背景除去してステッカー化する例、音声合成とLLMを組み合わせてポッドキャストのタイトルと音声を同時生成する例などが含まれます。1つの入力から複数の処理を同時に走らせる「ファンアウト」型の構成も紹介されています。

各出力ノードには専用のRESTエンドポイントが自動で割り当てられ、Pythonのgradio_clientやcurlコマンドから直接呼び出せます。さらに関数ノードに「@spaces.GPU」を付与すれば、実行時のみZeroGPUがGPUを確保するため、外部サービスに頼らずSpace内でモデルを動かすことも可能です。

Hugging Faceは今後、gr.Workflowを使って画像生成ツール「AUTOMATIC1111」のような本格的なアプリケーションを構築する手順を解説する記事を公開する予定だとしています。開発者はコードをほとんど書かずに、AIサービスを組み合わせた実用的なツールを短時間で作れるようになりそうです。

AIによる応募書類の自動作成が普及し、企業には想定を超える数の応募が殺到しています。ソフトウェア購買企業Vendrで人事責任者を務めていたアンドリュー・ストックウェル氏は、数年前は数十件だった応募が、この1年ほどで千件を超えるようになったと明かします。多くはAIが生成した使い回しの文面で、なりすましの偽応募者も含まれているといいます。

採用担当者の負担は深刻です。求人管理プラットフォームGreenhouseで音声AI部門を率いるオフィール・サムソン氏は、1つの求人に24時間で2000人の応募が来ることもあると説明します。以前は応募のしやすさを追求していた採用担当者たちが、いまや「あえて摩擦を作りたい」と口をそろえるようになったと語ります。

背景には、応募プロセスの簡略化とAI普及の両方があります。LinkedInの調査によれば、応募者1人あたりの応募件数は2020年2月比で46%増加し、ChatGPT登場以降だけでも22%増えました。同社は今月、実力が求人要件に満たない応募者に他の求人を提案する新機能を導入し、応募数の抑制に乗り出しています。

一方で求人自体は減少傾向にあります。米労働統計局のデータによると、求人件数は2022年3月に1230万件でピークを迎えた後に減少し、2024年半ば以降は約700万件前後で推移しています。求人が減るなかで応募だけが増え、採用担当者は一件あたりの検討時間を削らざるを得ない状況です。

対応策として、多くの企業がAIによる一次面接や、応募条件を厳格化する「ノックアウト質問」の導入を検討しています。ただ、元人事幹部で現在はSNSで発信するテッサ・ホワイト氏は、AIや応募者追跡システムだけでは人材の見極めという根本課題は解決しないと指摘し、「採用の仕組み自体を大きく見直す必要がある」と話しています。

元Yandexの検索・AI・クラウド部門トップを務めたAndrey Styskin氏とドイツ人AI研究者のMatthias Petri氏が創業したスタートアップKeenableが、Accelが主導するシードラウンドで2600万ドルを調達したことを発表しました。Conviction Partnersや複数のエンジェル投資家も参加しており、AIエージェントが利用しやすいウェブ検索インフラの構築を目指します。

Keenableは既に1000億件を超える文書からなるウェブ検索インデックスを構築しており、そのAPIは複数のAI研究機関や推論プロバイダーの学習・推論の両方で本番運用されています。顧客名は明らかにされていませんが、音声AI企業Gradiumとの提携により、リアルタイムの情報検索機能も提供し始めています。

YandexとAmazonで20年にわたり検索インフラを手がけてきたStyskin氏は、既存のエンタープライズ検索がウェブ規模では高コストになりがちな点を課題に挙げます。特定用途に合わせて索引構造を最適化しなければ全ウェブを走査するコストは膨大になるため、クエリに応じて検索範囲を高速に絞り込む技術こそが同社の強みだと説明しています。

投資を主導したAccelのパートナー、Zhenya Loginov氏によると、GoogleとMicrosoftが既存の検索APIを終了させ、より限定的なパートナー戦略へと舵を切る中、AI企業がウェブ規模の検索インフラを確保できる選択肢は乏しくなっています。この状況が、Keenableのようなスタートアップにとって大きな事業機会になっているといいます。

Keenableは現在、複数のウェブ情報源を組み合わせて回答を導く新製品「Web Query Language」の開発も進めています。米欧に15人のエンジニアを抱える同社は、今回調達した資金を活用して年内に人員を倍増させ、事業展開を加速する計画です。Styskin氏は検索インフラの構築コストについて「非常に高くつく」と認めつつ、コストを抑えながら着実に規模を拡大する方針を示しています。

検索市場にはBraveやExaといった競合も参入しており、Google自身もAI時代に向けた検索体験の刷新を進めています。Styskin氏はGoogleから需要を奪うのは容易ではないとしつつも、エージェント向けクエリの領域では同社に勝機があるとの見方を示しており、Keenableは「AIエージェントのためのGoogle」を目指す姿勢を鮮明にしています。

Googleは2026年8月24日、軽量AIモデル「Gemma 4」を活用した社会貢献ハッカソン「Gemma 4 Good Challenge」の受賞作品を発表しました。Kaggle上で6週間にわたり開催され、世界中の開発者から1600件を超える応募が寄せられました。最優秀賞には、高齢者や障害者の生活を支援するロボット「GEM-4」が選ばれています。

最優秀賞を獲得した「GEM-4」は、日常動作を補助する物理的なロボットアシスタントです。Gemma 4の31Bモデルで動作を学習させたのち、軽量な2Bモデルが実際の制御を担う設計が評価されました。2位の「Trido」は音声で操作できるデジタルホワイトボードで、教育現場での活用を想定しています。3位の「PenguinAgent」は、野生生物の生態調査を支援するオフライン分析ツールです。

特別賞では、音声クローンによる詐欺を検知する「TrueVoice」がAI信頼・安全賞を受賞しました。南米で展開する洪水早期警戒システム「Acuífero・Vigía」はグローバル強靭性賞を、発話に障害のある人向けの音声認識を改善した「Gem-Care」はデジタル公平性・包摂賞を、それぞれ獲得しています。

今回の応募作品には、限られた計算資源でも動作するよう、LiteRTやOllama、llama.cppといった技術が広く使われました。Googleは、Gemmaシリーズの累計ダウンロード数が10億件を突破したことも紹介し、開発者コミュニティの拡大に感謝の意を示しています。

米司法省が、著名ベンチャーキャピタルのAndreessen Horowitz(a16z)を対象に、独占禁止法の観点から取締役会の兼任状況について1年近くにわたり調査していることが、TechCrunchのポッドキャストで報じられました。同社のベン・ホロウィッツ氏がデータブリックス、マーティン・カサド氏がFivetranの取締役を務めており、両社が事業領域で競合し始めていることが問題視されているといいます。

米司法省が着目しているのは、1世紀以上前に制定された反トラスト法です。制定から112年が経過し、ベンチャーキャピタル業界に適用されることが極めて珍しい法律とされています。投資先企業の取締役会に自社パートナーを送り込む慣行自体は業界で広く行われてきましたが、投資時点では競合関係になかった企業同士が、事業拡大の過程で市場が重なるケースが増えていることが背景にあるとみられます。

この動きは、ベンチャーキャピタル各社に取締役会運営の在り方を見直す圧力となりそうです。投資先企業の事業領域が時間とともに変化する中、利益相反を避けるためにどう取締役を配置するかは、業界共通の課題として浮上しています。番組では、今回の調査が今後のガバナンス慣行に影響を与える可能性が指摘されました。

番組ではこのほか、AI関連の話題も取り上げられました。決済大手のStripeがAIモデルルーターを手がけるOpenRouterを75億ドルで買収した件や、OpenAI・Anthropic・Nvidiaが資金や事業規模で他社を引き離しつつある現状について議論されています。

さらに、リヴィアン発のスピンオフ企業Alsoが自動運転分野への投資拡大に向けて1億5000万ドルを追加調達したことも紹介されました。加えて、Uberがドローン配送のZiplineと提携し配送網を拡大したことや、AI音声入力アプリを手がけるWisprが20億ドル評価で2億8000万ドルを調達し、評価額の天井が意識され始めていることにも言及がありました。

グーグルは2026年8月21日、新型スマートフォンPixel 11シリーズに、アメリカ手話(ASL)を文字に変換する新機能を搭載したと発表しました。ろう者コミュニティと協力して開発したもので、手の形や表情、体の動きをAIが解析し、英語の文章としてリアルタイムに翻訳します。

この機能は、DeepMindが開発した多言語対応の手話文字化モデルによって実現しています。片手での手話と両手での手話の両方に対応しており、利用者は自身の母語である手話で自然にコミュニケーションできるようになります。

Pixel 11で利用するには、Gboardのツールバーに手話文字化機能を追加します。フロントカメラに向かって手話で話しかけると、翻訳結果が端末の外側ディスプレイに表示される仕組みです。Live Transcribeとの連携も可能で、対面での会話をより円滑にします。

Pixel 11シリーズは既に店頭での販売が始まっており、詳細はGoogleストアで確認できます。今回の機能追加は、音声だけでなく手話も等しく尊重するという、アクセシビリティ向上への取り組みの一環と言えるでしょう。

Hugging Faceの研究チームは8月21日、音声認識ベンチマークにおいて複数のAIモデルが実際の音声よりも参照文字起こしを暗記して回答している実態を明らかにしました。VoxPopuliとLibriSpeechの2大データセットで11種のモデルを検証した結果、音声と矛盾しても参照文字起こしをそのまま再現するモデルが複数見つかったといいます。

具体的には、VoxPopuliの音声に含まれる「Thank you, Mr. President」という発言について、参照文字起こしでは「Thank you」が欠落していました。検証対象の11モデルのうち6モデルが、音声に存在する言葉を無視し、誤った参照文字起こしと同じ答えを出力したことが確認されています。また、新たに収録した音声に差し替えると、多くのモデルが正しく音声に忠実な文字起こしに戻ったといいます。

研究チームは音声中の数字を意図的に消去し、モデルがどう反応するかも調べました。本来は無音のため数字を出力できないはずですが、一部のモデルは参照文字起こしにある数字をそのまま復元し、中には消されていた「2011年」という年号まで正確に補完するケースがありました。LibriSpeechでは、上位モデルの一部が消された数字を3〜4割の頻度で復元したといいます。

さらに、「Mr.」と「Mister」のように発音が同じでも表記が異なる語について、モデルがどちらのデータセットの慣習に合わせて綴りを選ぶかを検証しました。その結果、一部のモデルはデータセットごとの表記慣習を識別し、最大で9割の精度で使い分けていたことが分かりました。これは、モデルが音声内容だけでなく、周囲の音響的な手がかりからテスト対象のベンチマークを推測している可能性を示しています。

研究チームは、こうしたベンチマーク最適化の傾向が単語誤り率の低い「高性能」モデルほど強く表れると指摘しています。今後は公開ベンチマークだけに頼らず、非公開の保留データセットを併用し、時間軸や話者単位でデータを分割する評価手法が必要だと提言しました。あわせて、モデルの訓練データや選定手順の透明性向上も求めています。

Meta(メタ)は2026年8月20日、Meta AIの新しいMac向けアプリを発表しました。このアプリはシステム全体で使える音声入力機能を搭載しており、あらゆるアプリ上でディクテーションができます。さらに画面の内容を認識して質問に答える機能も備え、独自開発のMuse Sparkモデルが処理を担います。

音声入力機能は、Wispr FlowやSuperwhisper、Monologueといった既存ツールと同様に、どのアプリを使っていてもテキスト入力を音声で行えるものです。同様の機能は米Googleも先月、Mac版Geminiアプリに追加しており、大手各社でシステム全体の音声入力対応が広がっています。

今回の発表は、事業者向けMeta AI機能の拡充とも連動しています。加盟店はInstagramやFacebookのアカウント、Meta広告キャンペーン、Google Workspace(Gmail、ドキュメント、スプレッドシートなど)をMeta AIと連携させ、AIアシスタントに問い合わせる形で情報を取得できるようになりました。

連携後は、広告キャンペーンの成果やオーディエンスのエンゲージメント指標、どの投稿が効果的だったかといった分析結果を得られます。公開情報に基づく競合の動向把握も可能で、Meta AIが提案書や文書、スプレッドシートの作成まで代行してくれます。

Metaはこれまでも、WhatsAppやInstagramでの自動カスタマーサポートなど、事業者向けAIツールの拡充に注力してきました。2026年第2四半期の決算説明会でCEOのマーク・ザッカーバーグ氏は、企業にエージェントを提供し、業務を代行させる大きな事業機会があると述べています。

Google（グーグル）は8月20日、AIによるトラフィック減少に悩むパブリッシャーを支援するため、読者がサイトを「優先ソース」として登録できる埋め込み型ボタンを検索・Discover・Googleニュース向けに公開しました。読者がボタンを押すだけでそのサイトを優先表示させられ、閲覧していたページにそのまま戻れる仕組みです。

この新機能は、5月にAIモードやAI Overviewsで先行導入された「優先ソース」機能の拡張にあたります。従来はTop Storiesのみで利用できましたが、今回パブリッシャーが自社サイトに直接ボタンを設置できるようになりました。Googleによると、5月の導入時点で既に34万5000件超のサイトが選ばれていたといいます。

Googleは、優先ソースに登録されたサイトは読者からクリックされる確率が2倍に高まると説明しています。現在までに累計で60万件を超えるサイトが読者に選ばれており、AI主導の検索体験が広がる中でも、パブリッシャーが読者との接点を保てるよう後押ししています。

同時にGoogleは、Discoverフィードを自分の言葉で調整できる新機能も発表しました。フィード内の三点メニューから見たい・見たくない話題を自然な言葉で伝えると、Googleがリアルタイムで表示内容を調整し、その要望を記憶します。

さらにAndroid版Googleニュースアプリでは、音声による毎日のニュースブリーフィングもトピックごとにカスタマイズできるようになります。参加パブリッシャーの記事をもとにした詳しい解説も含まれ、出典を明示したうえで元記事へのリンクも提供されるとしています。

Googleは2026年8月20日、Google Arts & CultureとNational Park Serviceが共同開発した新たなオンラインハブ「United Parks of America」を公開したと発表しました。全米60カ所の国立公園を対象に、150以上の展示コンテンツと30本の動画ツアー、500マイルを超えるストリートビュー画像を横断的に閲覧できるサービスです。National Park Serviceの創設110周年を記念した取り組みで、歴史的建造物から手つかずの自然まで幅広く紹介しています。

目玉となるのが、独立記念館(Independence National Historical Park)を舞台にした実験的なAI体験Path to Independenceです。パノラマ画像とGeminiによるAIナレーションを組み合わせ、1776年の独立宣言署名の舞台裏を追体験できます。利用者はGeminiに追加の質問を投げかけることで、当時の人物や出来事について詳しい解説を音声で受け取れます。

署名の舞台となったAssembly Roomの再現には、画像生成技術Nano Bananaを活用しました。18世紀当時の姿を視覚的に想像できるよう工夫されており、独立宣言の実物や自由の鐘(Liberty Bell)といった一次資料も間近で確認できます。

ハブ全体では、独立記念館所蔵の独立宣言の写し19点や18世紀の肖像画149点、2000ページを超える歴史文書もデジタル化されています。さらにグランドキャニオンやヨセミテ、イエローストーンなど6つの国立公園については、回転・拡大が可能な3Dモデルで景観や地形を確認できるようにしました。

今回の公開はNational Park Week期間中の取り組みの一環で、NPS創設110周年を祝う意味合いも込められています。米国では8月25日が入園料無料日に設定されており、Googleは今回のデジタル体験を入り口に、実際の国立公園訪問へとつなげたい考えです。

Waymoは2026年8月19日、独自開発の自動運転車両「Ojai」に、Geminiを車内音声アシスタントとして統合したと発表しました。Waymo Driverが安全に走行する一方で、乗客は画面のGeminiアイコンを押して声で操作できるようになります。より快適でパーソナライズされた乗車体験を提供する狙いです。

具体的には、車内温度の調整や周辺スポットの検索など、幅広い操作を声だけで行えます。例えば「エアコンを65度に設定して」と話しかけたり、近くのコーヒーショップを尋ねたりできます。通り過ぎる観光名所の由来を解説してもらうことも可能です。

GeminiはWaymo Driverの走行制御とは完全に独立して動作します。乗客が呼びかけない限り機能は待機状態のままで、自動運転の安全性に影響を与えない設計です。利用しない間は完全に停止する仕組みで、プライバシーにも配慮しています。

今回の統合は、GoogleとWaymoが持つAI技術を組み合わせる取り組みの一環です。詳細はWaymoの公式ブログ「Waypoint」で公開されており、今後の対応車種拡大にも注目が集まります。

Meta Platformsは2026年8月、著名な女性政治家に酷似した人物が登場するヌード動画を生成すると謳うAIアプリ「Kromix」の広告を、自社プラットフォームで配信していたことがWIREDの取材で明らかになりました。広告は米国内の男性ユーザーに絞って表示され、性的内容を禁じるMetaの規定に反していたといいます。同社は指摘を受けて広告を削除しましたが、同様の問題は今回が初めてではありません。

公開された広告の一つでは、著名な女性政治家によく似た人物が米国旗の前に立つ映像に「彼女が動いたら?」という挑発的なキャプションが添えられていました。続く場面ではウインクをした後、同じ顔を持つ女性がポルノ動画に出演する様子へと切り替わります。ナレーションはこのアプリを「制限なし」「実在の人物ばかり」とうたい、「男が実際に使うAI」だと宣伝していました。

Kromixは「AI画像スタイライザー」を名乗るアプリで、有料ユーザーが写真をアップロードすると、性的な設定を含むさまざまなシナリオで画像や動画を生成できる仕組みになっています。生成物にはスパイダーマンの衣装を着た女性がポルノ動画に出演するかのような映像も含まれており、アプリ内の問い合わせ先にWIREDが送った取材依頼への回答はありませんでした。

Kromixは取材時点でApple のApp Storeにも掲載されていました。Appleは非同意の性的画像やヌード化アプリを禁じる規約を掲げていますが、同様のアプリの排除には苦戦しています。サンフランシスコ市の司法長官は今年の夏、Appleに対して13本のアプリの削除と、露骨なディープフェイク画像の販売への「幇助」の停止を求める警告書を送付していました。

Metaの広告ライブラリによると、この広告キャンペーンでは合計32本の広告が5時間から46時間にわたって配信されており、「Unleash Next-gen AI Magic(次世代AIマジックを解き放て)」というキャッチコピーが使われていました。ただし大半の広告の表示回数は10回以下にとどまっており、WIREDの指摘を受けてMetaは広告を削除しています。

Meta社は8月19日、対話型AI「Meta AI」向けの専用Macアプリを発表しました。新アプリは画面共有機能を備え、ユーザーがMac画面をAIと共有すると、内容を踏まえた提案や質問への回答、コンテンツ生成を行えるようになります。全アプリ横断での音声入力にも対応し、日常的な作業を効率化する狙いです。

この発表は、Meta AIを単なる会話用チャットボットから、業務効率化を支援する生産性ツールへと転換させる取り組みの一環です。Meta AIはすでにInstagramやFacebookのアカウント、Meta広告キャンペーン、Google Workspaceと連携できるようになっています。ウェブ版・モバイル版・Mac版のいずれからも、これらのサービスに直接アクセスできる点が特徴です。

企業や個人クリエイター向けの活用例も示されました。投稿の閲覧数やいいね、シェア、保存数を分析し、次に投稿すべき内容を提案する機能や、ビジネスアカウントの情報とウェブ上のデータを組み合わせて資料やスプレッドシートを自動作成する機能が含まれます。週次の実績レポートを定期的に生成するなど、繰り返し発生する作業の自動化も進めています。

競合ではすでにデスクトップアプリの提供が先行しています。GoogleのGemini AIアプリも画面共有に対応しており、OpenAIのChatGPTやAnthropicのClaudeに至っては、AIがユーザーのコンピューターを直接操作する機能まで備えています。Meta AIの今回の機能追加は、こうした先行各社に追いつくための一手と位置付けられます。

AIアシスタント市場では、単なる対話にとどまらず、画面内容の理解や実務代行など、より深く業務に入り込む機能が競争軸になりつつあります。Metaが自社SNSや広告基盤との連携を強みに据える中、今後どこまでAIに実作業を任せられるかが、各社の差別化ポイントとして注目されそうです。

Googleは8月19日、新学期を迎える学生に向けて、検索エンジンとGeminiアプリの双方でAIを使った学習支援機能を新たに発表しました。対話型の可視化や自動生成の模擬テスト、専用のスタディハブなどを順次投入し、OpenAIや教育系スタートアップがしのぎを削る学習支援分野での主導権を握る狙いです。

Search内のAIオーバービューでは、たとえば「pHスケール」と検索すると対話型のインタラクティブ図が表示され、追加の質問をすればAIモードがさらに専門的な可視化を作成します。ACTやSAT、GREなど主要な標準テストに対応した模擬クイズも無償で利用でき、The Princeton Reviewなど提携する教育企業の教材を活用しています。

数週間以内には、Google Lensのカメラ機能を使って解答用紙を撮影するだけで、AIがつまずいた箇所を指摘し丁寧に解説する新機能も登場します。あわせてGemini NotebookがAIモードに統合され、授業ごとのノートを一元管理できるようになりました。

Geminiアプリでは学生専用のスタディハブを新設し、フラッシュカード作成や診断クイズを通じて弱点を把握できるスタディノートブックを提供します。DNAの立体構造などを回転させて確認できる3Dシミュレーション機能や、音声で調査結果を対話できるGemini LiveのDeep Research連携も同時に始まりました。

新学期にあわせ、米国の対象学生には通常月額19.99ドルのGoogle AI Proを1年間無償で提供し、5TBのストレージや利用上限の引き上げが付帯します。米国外の学生にもGoogle AI Plusを無償提供するなど、世界的に学習支援へのアクセスを広げる方針です。

生成AI企業Anthropicは今月、Claudeが生成した文章に人間には気づかれない透かしを組み込むと発表しました。フランス人開発者のギヨーム・マイヤー氏は発表からわずか4時間後に除去コードを公開し、GitHubで2万件以上ブックマークされるなど急速に広まっています。導入の背景には欧州連合のAI法対応があります。

マイヤー氏の手法は、透かしのないほかの大規模言語モデルを使って文章を複数回書き換え、同義語への置き換えや文の並べ替えを行うというものです。ソフトウェア技術者のエリック・ヒューズ氏も、見えない文字や紛らわしい文字の除去、文の並べ替え、同義語への置換を行う独自ツールをわずか15分で作成しました。オックスフォード大学のリオン・クロン氏は、別の言語への翻訳を経由する方法でも透かしを除去できると指摘しています。

EUのAI法は今月施行され、AnthropicやOpenAIなどのモデル提供企業に対し、AIが生成した音声・画像・動画・文章に機械が検出できる印を付けるよう義務付けています。違反した場合は年間売上高の最大3%の罰金が科される可能性があります。OpenAIやマイクロソフト、メタなど190超の団体がEUの透明性規範に署名済みで、各社も同様の対応を迫られています。

マイヤー氏は透明性そのものには賛成する一方、透かしという手法自体には反対の立場を示しています。母語がフランス語である同氏はClaudeなどの校正ツールを日常的に使っており、軽微な編集と重い生成を区別できない透かしは、誤検知によって候補者が不当に不採用となったり、研究者が根拠なく疑われたりする恐れがあると指摘しています。

Anthropicは声明で、EUのAI法順守のために透かしを導入したとしつつ、応答の意味や品質、読みやすさには影響しないと説明しています。同社は透かしを検出するAPIも近く公開する予定で、これにより開発者は自分たちの回避手法が実際に有効かどうかを確認できるようになる見通しです。

米日程調整サービス大手のCalendlyは2026年8月19日、会議の音声や映像を記録して要約や行動項目を自動生成するAI議事録機能を発表し、GranolaやOtterなどがひしめく議事録AI市場に参入しました。営業やマーケティングなど会議が多い職種の生産性向上を狙い、既存のスケジューリング基盤を生かした新機能の提供に乗り出しています。

新機能は他社の議事録AIと同様、会議に参加して録音・文字起こしを行い、要約や行動項目の生成、フォローアップメールの下書き作成までを担います。さらに競合のGranolaのようにシステム音声を使って会議を文字起こしする機能も試験導入中です。

Calendlyは既存の日程調整・会議管理基盤を活用したAIアシスタント「Callie」の提供も計画しています。Callieは会議の設定や参加者の空き時間確認、過去の会議内容の把握などを支援し、会議前後の業務を自動化します。

CalendlyのTope Awotona最高経営責任者は、Granola、Fireflies、Read AI、Otter、Fathomなど乱立する議事録AI各社が録音・文字起こしでは高い完成度を持つ一方、会議後の作業効率化にこそ伸びしろがあると指摘しています。NotionやClickUpといった業務ツール各社も議事録機能を追加しており、競争は一段と激しさを増しています。

OtterやGranolaがプライバシー侵害で訴訟や批判を受ける中、Calendlyは録音開始時にチャットで参加者へ通知し、誰でも退出を依頼できる仕組みを導入しました。会議前にも日程調整システムとの連携で録音の有無を事前に知らせるとしており、透明性を重視する姿勢を強調しています。

アマゾンは8月19日（現地時間）、AI音声アシスタント「Alexa+」を、米国内の対応する全Fire TVデバイスで無料提供すると発表しました。Amazonプライム会員でなくても利用でき、アプリのダウンロードや追加登録は一切不要です。対象ユーザーは自動的にアップグレードされ、これまで非会員が支払っていた月額19.99ドルの利用料も撤廃されます。

Alexa+は昨秋発表された新世代Fire TVデバイス向けに提供が始まり、プライム会員は無料で利用できる一方、非会員は月額19.99ドルの有料サービスとして提供されていました。今回の発表により、この料金体系は撤廃され、全ユーザーが同一条件でAIアシスタントを使えるようになります。

対象となるのは、現行世代のFire TV StickシリーズやFire TV Cube、アマゾン製スマートテレビ「Ember」に加え、Alexa+を搭載したHisenseやPanasonicなど他社製スマートテレビも含まれます。会話型の検索や、番組タイトルに頼らないおすすめ機能、スマートホーム機器の操作などが利用可能になります。

アマゾンによると、Alexa+ユーザーは従来のAlexaと比べてFire TV上での会話回数がおよそ2倍に増えているといいます。番組タイトルを指定しなくても「評価の高いスリラー」といったあいまいな条件で作品を探せるほか、リビングのテレビ画面でRingカメラの映像を確認するといった使い方も可能です。

AIアシスタントをテレビに搭載する動きは業界全体に広がっており、GoogleはGoogle TV向けにGeminiを展開し、Rokuも音声アシスタントをAI化しています。エンターテインメント視聴の主要な入り口であるテレビが、生成AIとの対話の場としても位置づけられつつあります。

Hugging Faceは2026年8月18日、文埋め込みライブラリSentence Transformersの最新版で、ColBERTスタイルの後期相互作用（マルチベクトル）型埋め込みモデルを標準機能として公開しました。トークン単位でベクトルを保持し、単一ベクトルでは失われがちな情報を検索時に活用できるようにする狙いです。

従来の密ベクトル型埋め込みモデルは、文章全体を1つの固定長ベクトルに圧縮するため、固有名詞や複数条件を含む複雑なクエリで情報が失われやすいという課題がありました。新しいマルチベクトルモデルはトークンごとに個別のベクトルを保持し、クエリとドキュメントの類似度計算にはMaxSimという手法を用います。各クエリトークンについて最も類似度の高いドキュメントトークンを選び、その合計をスコアとする仕組みです。

今回追加されたMultiVectorEncoderクラスは、PyLateやStanford-NLPのColBERT、ColPaliファミリーなど、これまで形式がばらばらだったチェックポイントを統一的に読み込めるようにしました。これにより開発者は数行のコードでモデルを切り替え、検索やスコアリングを実行できます。

マルチベクトル方式はテキストだけでなく、ページ画像を直接検索する視覚文書検索でも最先端の性能を発揮します。OCRを介さずに画像とクエリを照合できるほか、音声や動画にも同じAPIで対応し、字幕なしで会話を検索する例も紹介されました。

インデックスサイズの増大という課題には、トークンプーリングによって類似ベクトルをまとめ、性能をほぼ落とさずに圧縮する手法が用意されています。またQdrantやWeaviate、Vespaなど主要なベクトルデータベースも後期相互作用検索にネイティブ対応しており、実運用への道筋が整いつつあります。