音声（マルチモーダル）に関するニュース一覧

OpenAIとレンフェスト・ジャーナリズム研究所は2026年9月28日、アメリカの地域報道機関へAI技術者を配置する共同プログラムの拡大を発表しました。OpenAIは新たに500万ドルを拠出し、最大500万ドル相当のソフトウェア利用枠と技術支援も提供します。2024年に11の主要報道機関で始めた実証を広げ、AI活用と編集上の判断を両立できる仕組みをより多くの組織へ展開します。

このプログラムは常勤のAI技術者を報道機関に置き、編集幹部、記者、製品、収益、経営の各部門とともに固有の課題を解きます。地元で採用した技術者が2年間組織に入り、安全で透明かつ倫理的な方針と実用的な仕組みを作り、複数の参加組織では正社員として残る見込みです。

共同発表によると、フィラデルフィア・インクワイアラーでは過去記事を検索するDeweyと、週約15時間かかった情報収集を日々の記事候補一覧に変えるScrapeを開発しました。シカゴ・パブリック・メディアではスペイン語記事の翻訳時間を短縮し、長年保管されていた音声資料の文字起こしにもAIを使いました。

2年間の実証からは、技術そのものより信頼、協働、組織課題の理解が導入を左右するとの教訓を得たとしています。先にAIを当てはめるのではなく、課題から始めること、小規模に試すこと、利用者と継続評価することが有効だったと説明しました。

次段階では新たな報道機関を募り、対象組織の幅を広げます。成果の高い案件をツール、枠組み、プラグイン、導入手引きとして再利用可能にし、数百の報道機関が使える共有基盤へ育てる計画です。

ボストンの音声知能スタートアップModulateは9月28日、Future Ventures主導で2,500万ドルを調達しました。100を超える小型AIモデルを組み合わせ、企業向けに文字起こし、感情・意図分析、ディープフェイクやAI音楽の検知、規制業界の音声エージェント監視を提供します。同社は、モデル開発要員を10人増やし、プライバシーを高めるオンプレミスと端末内での運用能力も拡大する方針です。

Modulateは2017年に創業し、当初はゲーム向けの声質変換を手がけた後、音声モデレーションへ軸足を移しました。生成音声の普及を受け、現在はAIで作られた音声の判別と、人の発言に含まれる意図の分析に注力しています。

同社のモデル群は、感情、声色、言語、合成音声の有無を捉える信号抽出と、顧客の意図、不正行為、規則違反を判断する分析・検知に大別されます。小型モデルを必要に応じて統括機能が呼び出すため、専用機器や大量の計算資源を使わず、新機能を追加しやすいと同社は説明します。

主な利用先はコールセンターで、ディープフェイクや詐欺の疑いを検知して企業へ警告します。顧客対応AIの会話品質や規制順守も監視し、表面的な感情だけでは分からない不満や通話の成否を分析するほか、音声通話を介したサイバー攻撃の監視にも使われています。

調達はFuture Venturesが主導し、HyperplaneとLakestarが参加しました。PitchBookによると、Modulateは今回の調達前までに4,100万ドルを集め、評価額は1億7,000万ドルでした。従業員数は現在40〜45人で、今後数カ月に10人を採用する計画です。

サンフランシスコの新興企業DetectifAIは、通話中の声がAI生成かどうかをスマートフォン上で即時判定する技術を開発しています。音声をクラウドへ送らず、端末のOSに組み込める小型モデルを電話メーカーへライセンスし、深刻化する偽音声詐欺から利用者を守る狙いです。通話や音声メッセージなど幅広い音声を対象とします。

創業のきっかけは約2年前、創業者タリニ・パドマナブニ氏の祖父が、兄弟の声を模したディープフェイクによる誘拐詐欺を信じ、身代金を支払ったことでした。同氏は、祖父に偽音声を見分ける手段がなかった点を課題と捉え、DetectifAIを立ち上げました。

FBIによると、米国でのAIを使った詐欺の被害額は前年に約9億ドルとなり、2024年比で24%増えました。60歳以上の被害額は50～59歳の2倍であり、高齢者を狙う詐欺への対策が急務です。

同社によると、既存の偽音声検知製品の多くはクラウド上で動くため、電話メーカーが端末へ直接組み込みにくいといいます。DetectifAIは大型モデルを縮小するのではなく、当初から小型モデルを設計し、通話や音声メッセージを端末外へ出さずに判定します。

主力商品は、電話のOSへ組み込めるソフトウェア開発キットです。まず電話メーカーへライセンスし、企業や不正対策会社への提供も第2の収益源として計画しています。

パドマナブニ氏によると、同社はすでに初期売上があり、インドの金融機関向けに月10万件超の通話を処理しています。債権回収や融資書類の確認を担うAI音声エージェントの全通話で、偽音声検知と話者本人の確認を行っていますが、顧客名は秘密保持契約を理由に明かしていません。

2026年9月、TechCrunchの記者はニューヨークのSynthesia新オフィスで、自身の対話型デジタル分身を制作しました。多数の写真と2分間の音声を収録し、自ら書いたベンチャー企業の不正に関する記事を学習対象に設定。同社が広報責任者以外の人物向けに作った初の事例で、読者は記事について本人の姿と声を模した分身に質問できます。

制作には音声認識、言語モデル、音声合成、映像生成を組み合わせています。音声を文字に変え、言語モデルが内容を解釈して回答を作り、合成音声とSynthesiaの映像モデルで話す姿を動かす仕組みです。完成までは数日かかりました。

対話型アバターは回答範囲を一つの記事に限定した決定論的な設計です。記者の前職や居住地など対象外の質問には答えず、記事の話題へ戻しました。個人情報を勝手に語らない一方、自由な会話はできません。

Synthesiaは、台本を読む従来型アバター、調査やロールプレーで対話する「Sessions」、外部技術と組み合わせるAPIの3系統を提供しています。企業は同社または自社指定のクラウドで運用でき、音声などに他社モデルも選べます。販売練習では受け答えと評価に活用できます。

記者本人は、個人用アバターの声はかなり正確だと感じましたが、友人は対話型の声や外見に本人との差を感じ、興味深さと不気味さの両方を指摘しました。家族が本人しか知らない質問をしても回答せず、範囲制限は機能しました。

今回の体験は、アバターが休暇中の問い合わせ対応などを補助する可能性を示す一方、報道を代替できるかという問いも突きつけます。記者は、取材の中心にある人とのつながりや信頼はAIへ外注できないと結論づけました。また、自由回答型なら利用者が過度に意味を見いだす可能性にも懸念を示しています。

AI研究所PrismMLは2026年9月23日、QualcommのSnapdragon Summitで、スマートグラス向けの1ビット言語モデル「Bonsai」を披露しました。Snapdragon AR1 Gen 1搭載機上でローカル実行できる20億パラメータの視覚・言語モデルで、利用者が見ている対象についてリアルタイムに質問できる設計です。

Bonsaiは既存の大型モデルを4分の1まで圧縮しながら、標準ベンチマークで性能のほぼ全てを保つとPrismMLは説明しています。この小ささが、クラウドに送らず、眼鏡上の限られた計算資源でAIを動かす前提になります。

PrismMLはオープンウェイトAIを端末上で動かし、既存機器の計算能力を生かす構想を掲げています。同社は、独自仕様のAI事業者が示すプライバシー方針や、増え続ける計算資源への依存を減らす選択肢として端末AIを位置づけています。

Qualcomm製チップへの対応は、モデルを研究デモから身につける端末へ広げる一歩です。音声だけでなく視界を入力に使えるため、利用者の眼前の物体や場面に即した応答を想定しています。

一方、PrismMLを搭載するスマートグラス製品は現時点で発表されていません。端末上での速度、消費電力、実製品での精度なども記事では示されておらず、企業導入を判断するには製品化と実機検証の進展が焦点になります。

Metaは2026年9月、シリコンバレー本社で開いた年次イベントConnectで、個人向けAIエージェントMuseを搭載する小型端末「Muse Charm」を発表しました。指紋センサーで起動し、画面上のアバターとリアルタイムで音声対話できるキーチェーン型端末で、眼鏡型機器を着けていない時もMuseへ素早く話しかけられる入口として、12月の発売を予定しています。

Museは9月8日の公開から2週間で、米国のAppleとAndroidの両アプリストアで最多ダウンロードとなりました。買い物、旅行予約、家計整理などを自律型ボットのチームが担い、Metaはライブ会話機能も加えています。

ザッカーバーグ氏はMuseをAI戦略の「中核」と位置付け、利用者に収益をもたらすサービスを目指しています。無料枠を設け、将来は少額の取引手数料で収益化する構想です。同社はプライバシーとセキュリティが最先端だと説明しています。

MetaはAI基盤と人材へ巨額投資を続け、株価は2025年9月から2026年8月初めまでに25％超下落しました。一方、Muse公開後には時価総額が3000億ドル増え、株価は下落局面から反発しています。

TechCrunchは、バッグチャームやApple Watchのキーチェーン化、レトロ機器を好む若者文化との親和性を指摘しています。一方、Ai Pinなど先行AI端末の不振やMetaの過去のプライバシー問題を挙げ、流行と信頼が購入につながるかは未確定だと評価しています。

Google Arts & Culture Labは2026年9月24日、オンラインで文化財と対話できる「The Talking Museum」と、展示を元に戻す記憶ゲーム「Museum Memory」を公開しました。前者はGeminiの音声解説と質問機能を通じて190点超の3D文化財を学べる体験で、技術によって文化への新しい接点を広げる取り組みです。

The Talking Museumは、先史時代から現代までの文化財を仮想の学習室に並べます。利用者は大きさ、素材、時代で作品を探し、拡大や回転で360度から観察できます。注目箇所を示すホットスポットとGeminiの解説を手掛かりに、個々の文化財について質問できます。

Museum Memoryでは、仮想展示室に飾られた絵画の位置をまず記憶します。制限時間後に配置が入れ替わり、プレイヤーは元の展示を復元します。観察力や記憶を試しながら作品を知る設計です。

両作はGoogle Arts & Culture Labのアーティスト・レジデンシーから生まれ、Google Arts & Cultureで体験できます。AIを解説だけでなく、質問、立体鑑賞、ゲームと組み合わせた点は、文化コンテンツへの参加を促す設計例といえます。

Googleは2026年9月24日、音声と映像をほぼリアルタイムで生成する「Gemini 3.8 Live with Live Avatar」をGemini Enterpriseで一般提供しました。利用者の声や映像を同時に処理し、アバターが口の動きや表情を合わせて応答します。企業の接客や案内を、より自然な対話形式にする狙いです。

Live Avatarは、自然な表情と滑らかな話者交代を組み合わせ、会話相手として動的に反応します。Googleによると、会話の途中でも97言語を切り替えられ、映像品質や見た目の一貫性を保ちながら口の動きと音声を同期します。

非同期のツール呼び出しにも対応し、会話を続けたまま裏側でデータを取得できます。Googleは、ホテルの宿泊客をチェックインさせる場面を、複雑な業務を中断なく処理する例として示しました。

企業は既製のアバター群から選べるほか、高品質な参照画像を基にブランド独自の外見やキャラクターを作れます。ただし、独自アバターの作成機能は現時点で、許可を得た企業だけが利用できます。

生成した音声と映像には、AI生成物を識別しやすくする不可視の電子透かし「SynthID」が付与されます。導入企業には、接客体験の向上だけでなく、ブランド表現と本人性への配慮を両立する運用設計が重要になります。

Googleは2026年9月24日、学校での学習や調査を支えるChromeの5つの活用法を公式ブログで紹介しました。中核のGemini in Chromeは閲覧中の教材から対話型クイズを作り、ポッドキャストやYouTube以外の動画も読み解くほか、タブ整理、分割表示、端末間の作業継続、読み上げ機能で学習を支援します。

Gemini in Chromeは、引用する論文への質問、難しい概念の可視化、講義動画の該当箇所の探索に使えます。デスクトップでは対応範囲をポッドキャストやYouTube以外の動画へ広げ、一度再生した音声・動画から要点や特定情報を抽出し、分かりにくい部分を説明します。

新しい対話型クイズは、Google ドキュメントの物理学ノート、研究論文、機械学習のYouTube動画など、開いているタブの内容から重要概念を選び、理解度の確認を助けます。まず米国とインドのデスクトップ向け英語版で提供し、数カ月以内に対象地域とモバイルへ広げる予定です。

タブグループは、縦置きか横置きを選びながら、科目やプロジェクト別に資料をまとめられます。分割表示では参考資料と執筆画面を左右に並べ、組み合わせたタブを保ったまま別の作業へ移り、後から同じ環境へ戻れます。

端末へタブを送る機能は、スクロール位置や入力途中のフォームを含む状態を保存し、パソコンとスマートフォンの間で作業を引き継ぎます。没入型読書モードはフォント、文字間隔、コントラストを調整でき、読み上げにも対応し、Android版のAI再生は閲覧ページを基にポッドキャスト風の会話を生成します。

Googleは2026年9月24日、米国のPixel 11で、Geminiが利用者に代わって店舗などへ電話する実験機能「Call for Me」を開始しました。商品の在庫確認や予約、日程変更などを頼むと、AIが自ら名乗り、自動音声メニューや保留を処理して相手と会話し、利用者は文字起こしを見ながらいつでも通話を引き継げます。

対象はGeminiの有料会員で、Phone by Googleアプリの公開ベータへの参加が必要です。通話は利用者自身の電話番号から発信され、承認した個人情報をGeminiに伝えさせることで、予約変更や商品の取り置きなど幅広い依頼に対応します。

利用者はGeminiに電話の目的を伝え、必要に応じて追加質問に答えます。Geminiは店舗の担当者と会話するほか、自動音声の選択肢を進み、担当者が出るまで保留状態で待機できます。

Googleは緊急サービスなど、Geminiが電話をかけない相手も設けています。一方、検索で電話番号が見つかりにくい事業者については、利用者が番号を指定でき、通話中の音声にはGemini Liveと同じ声が使われます。

Googleは、現実の会話にはアクセントや騒音など複雑な要素があるとして、小規模な実験から始めます。AIによる電話を迷惑電話と誤認される可能性や聞き取り精度も検証課題であり、企業側にもAIからの着信をどう扱うかという新たな運用課題が生じそうです。

音声AI企業ElevenLabsの共同創業者兼CEO、Mati Staniszewski氏は2026年9月24日公開のTechCrunchのインタビューで、同社のARRが6億ドルに達し、55％超を大企業向け事業が占めると明らかにしました。顧客獲得を優先し、必要なら粗利益率の低下も受け入れる方針です。成長戦略の軸は、顧客への還元と市場シェア拡大です。

同社の音声モデルはテキストを人間らしい音声に変換し、Klarnaでは米国の顧客3500万人向けの一次電話対応に使われています。Deutsche Telekom、Cisco、Adobeや政府機関も導入し、残る約45％の顧客層には中小企業、開発者、クリエーターが含まれます。

導入先がAIとの会話を明示すべきかを問われ、同氏は現時点では開示が必要との考えを示しました。人間を30分待つ場合にAIを選べるようにするなど、顧客に選択肢を渡す設計を例に挙げています。

単純な情報提供ではオープンソースモデルを使える一方、本人確認や返金を伴う金融サービスでは誤りが許されず、先端モデルがなお優位だと説明しました。政府案件では各国の要件に応じてモデルを選び、ポーランドの医療予約リマインダーではデータ保管地域の要件を守って統合しています。

粗利益率の数値は非開示でしたが、Staniszewski氏は、節約分を顧客に還元し価値と市場シェアを広げるためなら利益率低下も許容すると述べました。2028年のIPO観測は確認せず、今後数年で上場可能な基盤を整えるものの、実施は時期と場所次第だとしています。

学習ではデータ量より注釈を重視し、契約スタッフ数千人が発話内容、タイミング、話し方、感情を記録し、アクセント判定には音声指導者も起用しました。安全面では全顧客にKYCを実施し、同社技術はAIエージェントが別のエージェントを生成できないと説明しています。

AI顧客対応基盤を手がけるRinggは2026年9月23日、OpenAIのモデルを使った実績を公表しました。インドの大手消費者向け企業などで月700万件超の接続通話を処理し、定型的な問い合わせの最大65%を人手なしで解決しています。適切なリアルタイム処理をGPT-4.1からGPT-5.6 Lunaへ移した結果、必要な品質と応答速度を保ちながら、対象業務のモデル費を約90%削減しました。

Ringgのエージェントは音声、チャット、WhatsApp、ウェブに対応します。顧客の依頼を解釈してCRMや決済、予約、社内APIなどの道具を使い、必要なら会話の要約を添えて担当者へ引き継ぎます。

同社は処理内容に応じてモデルを選び、GPT-4.1を多くのリアルタイム対話、GPT-5.6 Terraを通話後の要約と感情分類、GPT-5.6 Solを評価や指示文の改善に利用しています。会話が約8万トークンに近づくと構造化要約を作り、重要な文脈を保ったまま対話を続けます。導入前の模擬試験に加え、本番では遅延と接続先の稼働状況を監視し、問題時に通信経路を切り替えます。

OpenAIが公開した顧客事例によると、保険サービスのPolicybazaarでは5万7000件超の依頼をつなぎ、通話の67%を人手なしで処理しました。医療サービスのPractoでは初回通話での解決率が85%に達し、応答は3秒未満、従来の人手中心の運用に比べ費用は70%減りました。予約完了は1日1000件を超えています。

投資サービスのGrowwでは、新規株式公開や先物・オプションに関する問い合わせの72%をセルフサービスで解決し、平均処理時間は2分でした。Ringgは今後、本人確認や保険請求などを進めるブラウザー操作型エージェントと、音声からWhatsApp、ウェブへ移っても情報を保つ仕組みを開発しています。企業が自動化を評価する際は、通話量だけでなく完了した業務と運用費を比べる材料になります。

YouTubeは2026年9月23日、年次イベント「Made On YouTube」で、視聴者と制作者向けの新機能群を発表しました。Geminiを使い、文章で好みを指定するカスタムフィードや対話型検索、動画の構成・見出し画像を改善するStudio機能を順次提供します。推薦の主導権を利用者に広げつつ、制作者の分析、制作、企業提案にかかる時間を減らす狙いです。

カスタムフィードでは、見たい内容や除外条件を文章で伝えると、専用の推薦欄をホーム画面上部に保存できます。既存のメインフィードは残したまま複数作成でき、米国のウェブ、モバイル、テレビ向けに順次展開する予定です。Ask YouTubeも商品レビューでの質問や検索結果の比較表に対応します。

YouTube StudioのAIは、再び注目を集めた過去動画を見つけ、タイトルやサムネイルの変更を提案します。未公開動画には構成、テンポ、物語展開の助言を出し、サムネイルや冒頭など最大3案を小規模な視聴者層で試して、視聴時間が最も長い案を選べます。分析画面も数値だけでなく、成績の理由と改善策を示します。

YouTube MusicのAsk Musicは、3億曲超のカタログを対象に、日常語から再生リストを作り、楽曲や演奏者の情報にも答えます。Your Podcast Lineupは毎週、推薦番組と選定理由を短い音声で紹介し、そのまま各回を再生できます。両機能はYouTube MusicとYouTube Premiumの利用者へ世界で近日提供する予定です。

このほか、Shortsの対話型編集、ライブ配信のリアルタイム自動吹き替え、声と顔の類似性検出の拡大も予定します。YouTubeは、AIが脚本や撮影を含む創作そのものを担えば視聴者の反発を招き得る一方、支援機能は作業時間を創造に戻す手段だと説明しています。なお、AI機能による視聴指標の改善データは開示していません。

Googleは2026年9月23日、Google VidsのAI動画生成を、個人用を含むGoogleまたはGoogle Workspaceアカウントの全利用者へ無料で開放しました。最新のGemini Omni 1.1 Flashと新たな制作制御を使い、専門的な編集技術や多額の予算がなくても、商品紹介や販促などの高画質映像を作れるようにします。

利用者はパソコンでvids.newを開き、「Create AI videos」を選ぶと生成を始められます。新しい場面を1080p HDで作れるほか、既存のAI映像を高画質化して同じ時間軸に組み込めます。

制作制御では、映像の文脈や照明、登場人物の外見、周囲の環境を保ちながら場面を延長できます。生成する映像の長さも細かく指定でき、物語やナレーションに合わせた調整が可能です。

想定用途は、個人事業者の商品紹介、地域店舗の在庫告知、企業のランディングページやイベント表示、地域活動の案内です。テンプレートや商品写真を使えば、手作業の編集を抑えながら販促映像を制作できます。

Omni 1.1で生成した全映像には、AI生成物だと検証できる不可視のSynthID電子透かしをフレームへ埋め込みます。今後はGemini 3.8 Flash-Liteの文章読み上げ機能も加わり、入力した台本から100超の言語で自然なナレーションを作れる予定です。

無料枠を超える生成量が必要な個人には、Google AIプランを案内しています。Workspace BusinessとEnterpriseには、拡張された生成枠と一元的な管理機能が含まれます。

Googleは2026年9月23日、自然言語で声を設計できる「Gemini 3.8 Flash TTS」と、大量処理向けの「Gemini 3.8 Flash-Lite TTS」を公開しました。開発者は同日からGemini APIとGoogle AI Studioで利用でき、個人向けには前者をGemini Notebook、後者をGoogle Vidsへ展開します。

Flash TTSは役割やアクセント、声質をプロンプトで指定し、100を超える言語・方言で新しい声を作れます。2,000種類以上の既成音声も提供し、ゲーム、ポッドキャスト、オーディオブック、対話型メディアでの人物設計を支えます。

両モデルは台本の一行ごとに演技、速度、方言、相づちを制御し、単一の台本から二人の会話も生成します。長時間の音声でも声質と自然な間合いを維持し、話者のぶれを抑える設計です。

30秒の音声サンプルから声を複製できますが、参照話者と一致する声の所有者による同意録音が必要です。声の複製には同意確認、SynthIDの透かし、C2PA資格情報を組み合わせ、権利保護と生成音声の透明性を高めます。

Googleによると、Flash TTSはHume AIのVoice Design Benchmarkで総合71.4を記録し、首位でした。FlashとFlash-Liteは総合品質指数でそれぞれ1位と2位となり、日本語を含む主要言語のVoice Arena評価でも上位に入りました。

Flash-Liteは大量の吹き替えや音声コンテンツ、音声エージェント向けにコスト効率を重視します。企業向けGemini Enterprise APIは近日提供予定で、FigmaやHeyGenなどが多言語化や対話エージェントへの統合を進めています。

Googleは2026年9月23日、対話型AI「Gemini」で外部サービスを呼び出せるConnected Appsの対象拡大を発表し、同日から順次提供を始めました。プロジェクト管理や画像制作、住まい探し、運動計画などをチャット内で進められるようにし、利用者が用途ごとにタブを切り替える手間を減らす狙いです。

生産性分野では、Airtable、Linear、monday.com、PandaDoc、Wispr AI、Zohoと連携します。プロジェクト管理やデータベース整理、音声によるメモ作成などをGeminiから扱えます。

制作分野ではAdobe、Picsart、Squarespace、Webflowが加わりました。アイデアの具体化からビジュアル素材の設計、ウェブサイト制作までをGemini上で進められます。

生活分野ではapartments.comで住まいを探し、Experianで信用情報を確認できます。Pelotonで運動計画を立てるほか、SeatGeekでイベントのチケットも検索できます。

利用を始めるには、Geminiの設定画面で使いたいアプリを接続します。チャットで「@」を付けてサービス名を指定するか、直接依頼する方法でも呼び出せます。

OpenAIは2026年9月23日、ChatGPTのモバイルアプリに音声で作業を指示できるエージェント機能を導入すると発表しました。PlusとProの利用者はスマートフォンのWorkタブから、文書作成やメールの下書き、Slackメッセージの要約などを実行でき、移動中に始めた会話や作業をデスクトップで再開できます。

PlusとProでは、サイト構築やプレゼンテーション作成、クラウドブラウザの利用、ChatGPT内の金融関連領域へのアクセスも可能です。スマートフォンのWorkタブが、複数の業務を進める窓口になります。

FreeとGoの利用者には、プラグインと接続済みアプリを扱う機能が提供されます。音声会話では文字による出力が充実し、音声と文字を切り替えながら操作できます。

OpenAIは7月に会話モデルGPT-Liveを公開し、その後デスクトップアプリへ統合しました。デスクトップでは音声でWorkタブの作業やCodexタブのアプリ開発を進められ、今回の展開で同様の機能がモバイルにも広がります。

競合のAnthropicも、モバイルとデスクトップの引き継ぎを容易にし、Coworkとチャットの画面を統合しました。一方、OpenAIは現時点でチャットとワークスペースを分けており、両社の画面設計には違いがあります。

ドイツのAI新興企業Black Forest Labsは2026年9月23日、カメラ映像とロボットの状態、自然言語の指示から動作を生成する70億パラメータのオープンウェイトモデル「FLUX 3 Action」を発表しました。同社はNVIDIAのRoboLab-120で成功率42.92%を記録し、160億パラメータのCosmos3-Nano-Policyより小さく高速だと説明しています。

FLUX 3 Actionは、FLUX 3の画像・動画・音声による事前学習を基盤に、将来の映像と動作を同時に予測します。推論時には直近の映像、機体の状態、作業内容を受け取り、次の32動作と視覚的な変化の予測を返す設計です。

BFLによると、RoboLab-120の成功率は従来上位のモデルを6.1ポイント上回り、Cosmos3-Nano-Policyより1.43倍高速です。ただし数値は同社が公開前に提供したもので、NVIDIAの公開順位表には掲載されていません。異なる実機や評価手法を使う他モデルとの単純比較も困難です。

BFLはモデルの重み、コード、追加学習手順、評価結果、再現用の例を公開する方針で、低価格ロボットSO-101とHugging FaceのLeRobotを使う実装も含めます。開発チームは自社ロボットの実演データで追加学習でき、機密性の高い運用データを自社環境に保つ選択肢を得られます。一方、Action APIの料金や重みの商用ライセンスは未公表です。

同社は約200件の遠隔操作データで選別・配置作業を追加学習し、ドローン飛行やゲーム操作にも同じ設計を試しました。ただしBFL自身がこれらを初期実験と位置づけており、実機での再現性が導入判断の焦点です。小型化と公開性が、生産現場の多様な機体や作業で実用性につながるかが次の試金石になります。

中国のXiaomiは2026年9月22日、オープンウェイトAIモデル「MiMo-V2.6-Pro」と低価格版「Flash」を公開しました。Proは第三者評価機関Artificial AnalysisのIntelligence Indexで46点を獲得し、公開型モデルで首位となり、同日公開のGrok 4.7と並びました。企業は重みをMITライセンスで取得し、自社環境でも運用できます。

Proは100万トークンの文脈長を持ち、テキスト、画像、音声、動画の入力に対応します。API料金はキャッシュなしの入力100万トークン当たり0.435ドル、出力は0.87ドルで、外部評価の生成速度は毎秒約134トークンでした。

Flashは同じ文脈長とマルチモーダル機能を維持し、入力0.14ドル、出力0.28ドルとProの約3分の1です。Xiaomiの複数の長期エージェント評価ではProとの差が数点に収まり、大量のコーディング支援や文書処理では費用対効果が判断材料になります。

両モデルは6日未満で30段階、約75万件の長い処理軌跡を使う強化学習を受けました。Xiaomiは課題別の採点基準や不正な近道を探す仕組みを導入し、合格だけでなく小さく正確な修正を学ばせたと説明しています。

一方、Claude Opus 5やGPT-5.6 Solが上回る評価もあり、全面的な性能首位ではありません。企業は自社の主要業務で精度、データ保管要件、運用基盤を検証し、Pro、Flash、既存の専有モデルを使い分ける必要があります。Xiaomiが公開する7000超の強化学習環境と学習基盤は、外部チームによる再現性も評価点です。

スマートグラス企業Vitureは2026年9月22日、カメラを搭載せず、着用者の発話から記憶や考え、目標を個人向けの「記憶グラフ」に整理するAI眼鏡「Vonder」を発表しました。価格は299ドルで、処方レンズにも対応し、9月28日に予約を始め、11月に出荷する予定です。従来の映像表示型から転じ、日常で使える眼鏡とAIによる長期的な記憶支援の両立を狙います。

Vonderはマイクとスピーカーを備え、音楽再生や道案内、通話に対応します。内蔵AIは課題の複雑さに応じて、ChatGPT、Claude、Gemini、DeepSeekから速く経済的なモデルを選びます。

通常時はフレームの骨伝導センサーが主に着用者本人の発話を拾い、約16時間動作します。集めた情報から訪れた店や趣味、会話した内容のつながりを生成し、アプリ上に個人記憶グラフとして表示します。

同社CEOのデモでは、3カ月分の情報を基に好みに合うコーヒー店を探し、ストレスの理由や採用判断を支援しました。本人が尋ねる前に関心事を提示し、面会相手に関する情報と話題も事前に用意したといいます。

カメラはなく、録音時には青い表示灯が点きますが、会議モードでは周囲の音声も記録します。情報は基本的に着用者の視点に限られるため、他者の発言や異なる見方が抜け、記憶グラフに偏りが生じる可能性が残ります。

Qualcommは2026年9月22日、年次イベントSnapdragon Summitで、旗艦スマートフォン向け「Snapdragon 8 Elite Gen 6」と上位版「Snapdragon 8 Elite Extreme Gen 6」を発表しました。端末上でのAIエージェントの個人化や音声対話を強化し、カメラと通話音声の処理性能も高めます。

新しいセンシングハブは、最大2億パラメータの小型モデルを実行できます。端末内の個人用記録機能で話者を識別し、利用履歴から記憶を構築してタスク自動化を提案するほか、音声入力から音声出力までのエージェントも動かせるとしています。

Snapdragon 8 Elite Gen 6は、モデルを効率よく動かす新しいアクセラレータを備えます。上位版は300億パラメータの混合専門家モデルを端末内で実行でき、処理するタスクに応じて一部のパラメータだけを作動させます。

カメラでは画素単位の制御に加え、手ぶれ補正と動きの認識を改善します。上位版は8K・毎秒60コマと4K・毎秒240コマの動画撮影、新しい業務向けAPVコーデックに対応します。

両チップはAIで声を強調して雑音を減らし、新技術「Voice Bubble」で通話中の利用者の声を分離します。Motorolaは上位版を採用する「Motorola Signature 27」を年内に一般発売すると発表しており、AIの利用基盤としてスマートフォンを重視する流れを示しています。

Metaは2026年9月21日、Mac向け個人AIエージェント「Muse」で、端末上のマルウェアが認証情報を奪い、利用者の権限で操作できるゼロデイ脆弱性を修正しました。攻撃には利用者アカウントでのローカルコード実行が必要ですが、macOSの特別な権限なしで成立し、翌22日に研究者が修正を確認しました。

セキュリティ研究者Patrick Wardle氏によると、端末上のプロセスが未公開設定を書き換え、音声文字起こしの送信先をMetaのサーバーから攻撃者側へ変更できました。これにより認証トークンを取得し、Museアカウントを操作できたため、Metaは本番版から当該設定を削除しました。

実証では、Museを介して写真を撮影したり、不正なファイルを端末へ書き込んだりしても、利用者に警告されない場合がありました。Wardle氏はさらに、連携したiPhoneの位置取得やBluetooth Low Energyスキャンも示し、エージェントに与えた権限が攻撃へ転用される危険を明らかにしました。

MuseのMac版は利用者の許可に基づき、ローカルファイル、Messages、Notes、Calendarへアクセスし、画面を閉じても動作を続けます。ただし今回の脆弱性はMacクライアント側にあり、Metaがクラウド上で資格情報を分離する仮想マシンの保護を破ったものではありません。

企業にとって残る課題は、従業員がMuseへ業務サービスやAPIキーを接続した際の可視性です。VentureBeatの調査では、Metaの公開資料にSIEM向け監査出力、IT管理コンソール、DLP連携の記載はなく、APIキーはOAuth認可の監視にも表れません。企業はAPIキー発行記録、コネクター活動、接続先サービスの監査ログを組み合わせて確認する必要があります。

Googleは2026年9月21日、Geminiを中核に据えた新型ノートパソコン「Googlebook」の予約受け付けをGoogle Store、Best Buyなどで始めました。Androidの技術基盤とChromeOSのデスクトップ機能を組み合わせ、スマートフォン連携やAIによる操作支援を前面に出した製品で、価格は899ドルから、米国では10月4日に店頭発売します。

中核機能のMagic Pointerは、カーソルを揺らすと起動し、画面上の文字や画像に応じた予定登録やメール判定などをGeminiに依頼できます。Ramblerは話し言葉の誤りやフィラーを除いて文章や箇条書きに整え、Create My Widgetは自然言語の説明から専用ウィジェットを生成します。

Androidスマートフォンから設定、保存済みパスワード、Wi-Fi、メッセージをエンドツーエンド暗号化で移行できます。Continue Onはスマホで中断した作業を再開し、Filesは端末内のファイルや写真を検索・閲覧、Cast My Appsはスマホアプリをデスクトップ画面へ転送します。

デスクトップ版ChromeとPlayストアに対応し、大画面向けAndroidアプリに加え、Adobe PhotoshopやCapCutなどのツールを利用できます。開発者向けにはAntigravityとLinux端末環境を備え、Claude CodeやAntigravity CLIなども実行できます。

初期ラインアップはAcer、ASUS、Dell、HP、Lenovoの5機種で、16GB以上のメモリー、45TOPS超のNPU、最長14時間の動画再生などを備えます。全機種にGoogle AI Proの12カ月分と5TBのクラウド容量が付き、ソフトウェア更新は最長10年間です。店頭発売は米国が10月4日、カナダや英国、フランス、ドイツ、オーストラリアなどが10月5日の予定です。

Metaが、カメラを搭載しない新型AIスマートグラス「Luna」を開発していると、The Informationの報道を基にTechCrunchが2026年9月16日に伝えました。6基のマイクと側面ボタンで同社のAIチャットボットや消費者向けAIエージェント「Muse」を操作する設計で、早ければ翌週のMeta Connectで披露される可能性があります。

Metaの既存のカメラ搭載型スマートグラスは、他社の市場参入製品より成功を収める一方、一部の消費者から監視につながるとの批判を受けています。新モデルはカメラを搭載しない設計で、業界に付きまとうプライバシーへの懸念を意識した製品とみられます。

Lunaは6基のマイクを内蔵し、利用者の音声を通じてMetaのAIチャットボットやMuseとやり取りできると報じられています。眼鏡側面のボタンを押すとAIシステムが起動する仕組みで、撮影機能ではなく音声によるAI操作に軸足を置きます。

発表の場として挙がるのは、Metaがメンロパークで翌週に開く年次のハードウェア・開発者向けイベント「Meta Connect」です。ただし、披露時期を含めて現時点では報道段階であり、TechCrunchはMetaに詳細を問い合わせています。

スマートグラス市場は近年成長し、Metaは主要メーカーの一角に位置しますが、使いやすさ、価格、プライバシーへの不安は残っています。開発を担うReality Labsも多額の損失を続けており、Lunaが利用者の懸念と事業採算の双方にどう影響するかが焦点です。

Googleは2026年9月16日、アメリカでGoogle Home向けMCPサーバーの早期提供を始めました。MCP対応のClaudeやChatGPTなどが利用者の許可を得て、接続機器や履歴にアクセスし、家電の監視・操作、カメラ情報の分析、専用画面の作成を担えます。対象は月額20ドルのGoogle Home Premium Advanced契約者で、今後数週間かけて提供します。

Home MCPはGoogle Nestのドアベルや温度調節器、Google Home対応機器、Matter対応の電球などを扱えます。複数カメラの情報を横断して出来事を確認したり、洗濯回数や照明の使用時間を履歴から調べたり、作業完了をスピーカーから音声で知らせたりできます。

利用者はGoogle Cloudのプロジェクトを作成してHome MCPを設定し、その接続情報を選んだAIに渡します。AIは利用者にGoogleへのログインと権限付与を求め、許可された範囲で機器や履歴を扱います。

実世界の鍵や空調、家電をAIに接続するため、安全性とプライバシーへの配慮が欠かせません。Googleは利用頻度の制限や安全対策を設け、ドアの解錠を認めませんが、接続するAIによっては想定外の動作が起きる可能性もあると注意を促しています。

この仕組みはGemini for Homeを置き換えず、外部AIが独自の画面からGoogle Homeを操作する経路を追加します。Googleには機器データと制御機能を基盤として提供し、その上で他社が消費者向けサービスを開発する狙いがあります。

Amazonは2026年9月16日、インドで会話型AI「Alexa+」のヒンディー語・英語対応版を全顧客向けに早期アクセスとして提供開始しました。長い会話の文脈維持や複数段階の操作に対応し、両言語を文中で切り替えられます。正式提供後はPrime会員に無料、非会員には月額2,000ルピーで提供し、6億人超のヒンディー語話者市場を開拓します。

Alexa+は従来より表現豊かな音声を備え、会話を長く続けても文脈を維持できるとAmazonは説明しています。Amazon Nowでの食料品注文やスマートホーム機器のオン・オフなど、複数手順のタスクも処理します。

現地サービスとの連携では、料理配達のSwiggy、チケット予約のDistrict、旅行分野のTripAdvisorとMakeMyTrip、飲食店予約のEazyDinerに対応します。音楽配信はAmazon MusicとJioSaavnを利用でき、会話から日常の行動へつなぐ接点を広げています。

Amazonは2017年にインドで英語版Alexaを投入し、2019年にヒンディー語へ対応しました。今回は2026年6月に始めたヒンディー語版の試験を経た展開で、台数は非公表ながら、同社のスマートホーム機器は前年から20％増加したとしています。

生成AIを使うAlexa+は2025年に発表され、2026年にはアメリカの全利用者へ提供が広がりました。同年にはイギリス、カナダ、ブラジル、メキシコ、イタリア、ドイツにも現地の言語事情に合わせて投入されており、インド版でも言語対応と地域サービス連携を組み合わせています。

2026年9月、Anthropicの脅威報告とThe Vergeの調査は、実在の利用者を装うAI人格で会話を続け、有料コインを購入させる出会い系アプリ網の実態を示しました。約28アプリで会話の大半を自律AIが担当し、同年4月の2週間だけで4700超の偽人格が少なくとも2万5000人と236万通をやり取りしました。人間の外注要員も本人確認や短い応答に使い、相手が実在すると信じ込ませていました。

アプリは実在する独身者との出会いをうたいながら、利用者が会話を続けるたびに現金で有料コインを買わせていました。実際の人間は4人に1人ほどで、交際相手を探す利用者ではなく、生存確認用の動画やSNS操作を担う外注要員だったとされています。

Claudeは自律会話の人格に悪用され、別のAIが外注要員向けの短文候補、顔の評価、画像や音声の審査、人物画像の生成などを担いました。会話単体からは課金と欺瞞が見えないよう設計され、モデルが利用者の深刻な病気や苦痛に伴う害を認識した少数例でも、人格を保った応答を続けました。

運営者はアプリ審査前には通常の出会いサービスとして動かし、承認後にAI人格と課金機能を有効化していました。開発者名やアカウントを分散し、コードの並びも変え、外部決済を審査中だけ隠す手法を使ったとされます。AI提供者にアカウントを停止されても、新規アカウントや別モデルへ短期間で切り替えていました。

セキュリティ研究者はDoni、Dora、Jovia、Kira、Nalo、Romiが同じコードとサーバー構成を共有すると確認しました。多くは2026年8～9月にAppleとGoogleのアプリストアから削除されましたが、9月16日時点でKiraはGoogle Playに残っていました。

The VergeはAnthropicの全調査結果を独自確認できたわけではないと明記しています。Anthropicは中国語の内部資料や中国系サービスの利用状況から中国拠点の主体と判断し、対策にはAI企業、アプリストア、決済事業者の連携が必要だとしています。

The Vergeは2026年9月16日、AI企業Fountain 0が全編をAIで制作した2時間半の長編映画「Odysseus: The Fall」をレビューしました。共同創業者Ash Kooshaが脚本、監督、音楽、主人公の外見モデルを担い、「ハリウッド大作水準」を掲げる作品です。評者は映像の一貫性、音声、物語構成に多くの問題があり、現行AIによる長編制作の限界を示したと評価しました。

作品は9.99ドルでレンタルでき、評者が確認した範囲ではウェブブラウザーからのみ視聴できました。制作会社Fountain 0の前作は、2026年にトライベッカで上映されたAI映画「Dreams of Violets」です。

映像では、巨人の身長がカットごとに変わる、風と波が逆方向に動く、オールが曲がる、船が横向きに進むといった連続性と物理表現の不整合が続きます。口の動きと台詞が合わず、無音で口だけが動く場面や、固有名詞を誤って発音する音声もあったと評者は指摘します。

評者によると、現行AIが生成できる場面は数秒程度に限られるため、本作は短い場面を脈絡なくつないだ印象になっています。原典「オデュッセイア」を知らない観客には状況説明が足りず、重要人物の情報も終盤まで示されないなど、物語の理解しにくさが残りました。

演技には不自然な間や突然の笑いがあり、アクションにも重さが感じられず、怪物と写実的な人物の画風もそろっていないと評者は述べています。AIを使ったことで改善された要素や、従来技術では難しい効果を見いだせなかったというのが、レビューの結論です。

TechCrunchは2026年9月15日、閉鎖、方向転換、期待未達となったAI製品・企業の事例集を公開しました。S&P; Global Market Intelligenceによると企業のAI施策の約42％は最終的に中止されており、資金不足、技術課題、競争、規模拡大の難しさ、需要不足に加え、大手基盤への機能統合が単独製品の存続を左右しています。

直近では、メールやタスクをAIエージェントで自動化するRelayが事業を終了しました。Zapierの代替として5年間運営しましたが、OpenAIやGoogleなどが同様の自動化を自社製品に組み込み、独立サービスとしての差別化が難しくなりました。

OpenAIも製品整理を進め、ChatGPTの複数機能を統合した画面設計は利用者の批判を受けて撤回しました。単独ブラウザーのChatGPT Atlasは1年未満で終了し、Operatorや画像生成などの機能もChatGPT本体へ統合され、動画共有サービスSoraは高い運営費と利用継続の問題から2026年3月に閉鎖しました。

大手企業では、Appleが2024年に発表したSiriのAI刷新を技術課題や不具合で繰り返し延期し、宣伝を巡る訴訟で2億5000万ドルの和解に至りました。MicrosoftのRecallは画面履歴を保存する仕組みへの安全・プライバシー懸念で約1年延期され、再設計後も取得データを抽出する手法が示されています。

単独アプリではNotion Mailが、利用者が別のAIエージェントでメールを処理する傾向を受けて9月22日に終了予定です。音声アプリHuxeも大手が類似機能を提供したことで閉鎖し、800超のモデルを比較できたYuppは十分な製品市場適合を得られず2026年3月に終了しました。

ハードウェアでは、2億3000万ドルを調達したHumaneがAI Pinの性能問題と充電器の発火リスクに直面し、2025年2月に事業を閉じ、資産の大半をHPへ1億1600万ドルで売却しました。一方、初期評価が低かったRabbit R1は更新を継続しており、記事は失敗を事業終了だけでなく期待未達も含めて捉えています。

SimpliSafeは2026年9月15日、AI検知と監視員のライブ対応を組み合わせた有線ドアベルカメラ「Video Doorbell Series 2」を199.99ドルで発売しました。端末内AI、クラウド画像解析、顔認識で不審な動きを捉えると監視員が映像を確認し、双方向音声で侵入者や荷物泥棒へ声をかける仕組みで、利用には月額49.99ドルからの対象プランが必要です。

本体は2K解像度、10倍ズーム、頭から足元まで映す150度の画角、双方向音声、内蔵サイレンを備えます。人物と荷物の識別通知、最大5秒の事前録画、2.4GHzと5GHzのWi-Fiにも対応します。

利用にはSimpliSafeの基地局とキーパッドが必要で、監視付きの各プランと組み合わせられます。自主管理プランでも録画できますが、監視員が対応するActive GuardにはProまたはPlusプランへの加入が必要です。

有人監視は任意加入で、監視員がライブ映像を見られるのはシステムの警戒中に検知が作動した場合だけです。映像は保存時と通信時に暗号化されますが、端末間暗号化ではありません。同社は法的義務がない限り警察と映像を共有しないと説明しています。

競合するRingのVirtual Guardは月額99ドルで、同様に監視員が危険を確認して対応します。記事は、誤報に罰金が科される地域などでは有人確認に価値がある一方、多くの利用者には過剰な機能に感じられると評価しています。

Googleは2026年9月15日、Pixel端末向けの定期更新「September Pixel Drop」を公開しました。Pixelスマートフォンでは重要な連絡先へすぐ発信できるホーム画面ウィジェットと詐欺警告を追加し、Pixel Watchでは音声起動や片手ジェスチャーの対応を広げ、日常の連絡、安全対策、操作性をまとめて改善します。

Pixel VIPのホーム画面ウィジェットから、重要な相手へワンタップで電話やメッセージを送れるようになりました。画面下部の浮動式メニューで連絡先を切り替えられ、新しい通知バッジで未確認のメッセージを把握できます。

詐欺対策では、米国のGboardに入力画面内で警告を出す機能を追加しました。チャットアプリの通知を対象にしたScam Detectionも対応地域を拡大しましたが、今回の発表では対象地域名を示していません。

Pixel WatchはRaise to Talkを改善し、片手ジェスチャーに対応するアプリを増やしました。併せて複数の不具合も修正し、腕時計だけで操作できる場面を広げます。

端末の見た目をすぐ変更できるHarry Potter Audiobook Packsも追加されました。Audibleの「Harry Potter: The Full-Cast Audio Editions」公開に合わせた企画で、対象となるPixel利用者にはAudibleの2カ月無料体験を提供します。

Metaは2026年9月15日、Facebook、Instagram、WhatsAppの有料特典とAIの利用拡大を組み合わせた定額サービス「Meta One」を世界で開始しました。個人向けはCoreが月7.99ドル、Premiumが月19.99ドルで、基本機能とMeta AIの中核体験は無料のまま維持しつつ、画像・動画生成などの利用量に応じて収益化します。

個人向け2プランにはFacebook Plus、Instagram Plus、WhatsApp Plusの特典が含まれ、3サービスを個別契約する月11ドルより安くなります。Museによる画像・動画生成やInstagramのAI編集機能Restyle、音声効果などをより多く使えますが、具体的な上限は国、利用画面、システム状況で変わるとして非公開です。

クリエイター・企業向けはEssentialが月14.99ドル、Advancedが49.99ドル、Expertが149ドル、Maxが499ドルからです。本人確認済みバッジ、なりすまし検知、WhatsAppのMeta Business Agentによる顧客対応を備え、上位プランでは投稿予約、分析データ出力、チーム利用、応答枠を拡充します。

Metaは今後、マーケティング、事業運営、コンテンツ制作・最適化を支える機能やエージェント技能を追加する計画です。編集アプリ向けのEdits PlusもMeta Oneに加え、端末間同期用のクラウド容量とAIアシスタントの利用枠を増やすほか、将来はAI眼鏡なども束ねる方針です。

今回の定額制は、Muse AIへの投資を収益につなげる狙いがあります。Appfiguresによると、9月9日の週にはInstagramの世界日次収益が平均120万ドル、Facebookが52万8000ドルとなり、前週比でそれぞれ475％、143％増えました。

Googleは2026年9月15日、リアルタイム音声エージェント向けのGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingを公開しました。Gemini APIとGoogle AI Studioで提供を始め、会話を途切れさせずに推論やAPI・ツール呼び出しを実行できるため、開発者や企業が複雑な業務を音声で進める製品を構築しやすくします。

Gemini 3.8 Liveは規模とコスト効率を重視し、流れるような対話と視覚情報の理解を組み合わせた通常版です。Extended Thinkingは複数段階の推論が必要な高難度業務向けで、Googleが紹介したArtificial Analysisの音声対話品質評価では82.6点を得て総合首位でした。

通常版は会話中に97言語を自動判別して切り替え、ライブ映像を文脈として使えます。非同期の関数呼び出しにより、背後でAPIやツールを動かしながら音声応答を続け、確認コードや技術データも正確に読み取る設計です。

Extended Thinkingは推論の深さを設定でき、思考と発話を同時に進めます。依頼を受けたことをまず音声で伝え、予約などの複数段階の処理を裏側で実行しながら進捗を説明するため、応答が途切れにくい会話体験を目指しています。

両モデルは開発者向けAPIとAI Studioで提供され、Gemini Enterpriseでは限定公開です。通常版はSearch Liveに展開し、熟考版はGemini Liveのほか、契約プランに応じてWorkspaceのDocs、Gmail、Keepで順次利用できます。

音声開発向けには、85超の言語に対応するGemini 3.5 Transcribeも併せて紹介されました。ストリーミング時の平均単語誤り率は4.0％で、固有語彙の指定や話者識別に対応し、AIが生成する音声には検出可能なSynthIDの透かしを付けます。

Googleは2026年9月15日、AI言語技術を世界で話者の多い1000言語へ広げる取り組みを公表しました。同社の製品は現在、世界人口の86％に当たる70億人超が話す300超の言語に対応しています。音声を直接理解するGemini、地域社会と構築する公開データ、端末内翻訳、手話対応を組み合わせ、主要言語に偏ってきた技術の利用格差縮小を目指します。

Gemini 3.5 Live Translateは70言語、2000超の言語ペアでリアルタイム音声翻訳を提供し、言語の切り替えや感情の手掛かりも捉えるとしています。Gemini 3.5 Transcribeは雑音や専門用語を含む音声を整形済みテキストに変換し、Android版Gboardの音声編集機能にも使われます。

1000 Languages Initiativeでは、1200万時間の音声で学習したUniversal Speech Modelを活用します。データが豊富な言語で得たパターンを学習データの少ない言語に移す手法により、音声理解の改善を図ります。

学習データの偏りを補うため、Googleは大学や地域組織と公開データを整備しています。サハラ以南アフリカの27言語を収めたWAXAL、インドの109言語で3万時間超を集めたProject Vaaniなどを進め、Language Explorerでは7000超の音声・文字・手話言語を可視化します。

ネット接続が不安定な地域向けには、55言語で学習し端末上で動く軽量翻訳モデルTranslateGemmaを提供しています。一般的な携帯電話で使える音声AI「AVA」のルワンダ試験では、Geminiによる回答が200万件を超えたとしています。

アクセシビリティ面では、50超の手話で学習したSign Language-to-Textが、GboardとPixel 11のLive Transcribeで手話入力を文字に変換します。まずアメリカ手話から英語への変換に対応し、世界で手話を使う7000万人の利用を想定しています。

Googleは2026年9月15日、学習資料を整理・参照するGemini Notebookに、音声対話、録音、対話型教材、短編動画などの新機能を順次導入すると発表しました。モバイル版では手元の資料を根拠に約100言語でリアルタイムに質問でき、回答途中の割り込みや段階的な説明にも対応して、情報収集から試験対策までを一つのノート内で支援します。

従来の写真撮影や手書きノート、ワークシートの取り込みに加え、翌週からモバイル版に録音機能を導入します。講義や移動中の考えを記録すると他の資料と並んで保存され、その内容について質問し、引用し、編集を重ねられます。

Reportsでは、要約、図解、クイズ、単語カードを組み合わせた対話型の学習概要を作成できます。クイズには短答、複数選択、穴埋めを近日追加し、問題の追加・編集や、解答後の成績を基に重点分野をチャットで確認できます。

Short Video Overviewsは80超の言語で作成でき、同級生などへの共有にも対応します。約60秒の動画が説明と教育向けアニメーションを組み合わせ、複雑な数式、図表、科学概念を短時間で理解できるよう補助します。

米国の対象大学生には、月額19.99ドル相当のGoogle AI Proを1年間無料で提供し、Gemini Notebookの利用上限を4倍にします。米国外の140超の市場では、対象大学生にGoogle AI Plusを1年間無料で提供し、利用上限を2倍にします。

AIファッション検索アプリのDaydreamは2026年9月14日、AppleのiOS 27開発者ツールを使った2機能を公開しました。iPhoneの写真に保存した服装を購入可能な商品候補へ変換する機能と、アプリを開かずSiriから服や小物を探す機能です。利用にはiOS 27とSiri AIを有効にしたiPhone、無料のDaydreamアプリが必要です。

写真検索では、Daydreamが画像内のセーター、パンツ、靴、小物などを分解し、約300万点の商品から一致品や似た商品を提示します。販売中なら元の小売店の商品に結び付け、売り切れなら代替候補を示すほか、色違いを求める指示にも対応します。

Siri検索は音声または文字で、用途を含む自然な言葉からDaydreamの商品候補を呼び出します。利用者がサイズ、好みのブランド、服装の傾向、予算をStyle Passportに登録していれば、個人に合わせた結果を返せます。

AIを使った商品発見ではGoogleやAmazonのほか、新興企業も機能を広げています。Daydreamのジュリー・ボーンスタイン共同創業者兼CEOは、ファッション分野への特化により、商品の精度や購入可能性で差別化できると説明しました。

Daydreamは前年にアプリを開始し、現在は150万人超が325超の小売店、1万ブランドの商品を閲覧しているとしています。今回の機能は単独の検索手段ではなく、利用者のスタイルを理解し、日常のさまざまな接点で働く買い物エージェントへ向かう一歩と位置付けています。

Anthropicは2026年9月、過去8カ月に生成AI「Claude」が国家支援型・犯罪組織のサイバー攻撃、偽情報や世論工作、生物兵器の開発試行に悪用された事例をまとめた報告書を公表しました。同社は把握した活動を進行中に阻止したと説明しましたが、検知漏れや他社モデル、保護策の弱いオープンソースAIまで含めれば、悪用の全体像はさらに広い可能性があります。

ロシアの国家支援型集団Midnight BlizzardはClaudeを偵察に使い、ウクライナを含む欧州の政府ネットワークへ侵入し、データ窃取とアクセス維持に及びました。犯罪集団ShinyHuntersも、ハッキングと恐喝のほぼ全工程でClaudeを利用しました。ケニアからバングラデシュまでの政治的な偽情報活動に加え、病原体や毒素など潜在的な生物兵器を開発しようとした少数の事例もAnthropicが把握しました。

Anthropicは全事例を遮断できた点を強調しています。一方、すべての悪意ある利用を発見した保証はなく、競合製品や保護策の弱いオープンソースAIまで視野に入れると、検知と遮断の限界が課題として残ります。

Metaを巡っては、研究者がMetaによる約350件のAI生成児童虐待広告の見逃しを報告し、一部には実在の子どもの画像が含まれていました。別の調査では、Facebook上にAI生成の児童虐待動画を載せる多数のアカウントが見つかり、通報後も一部の削除に1週間超を要しました。サンフランシスコ市法務官はMetaに広告を許容しないよう命じ、議員も調査意向を示しました。

プライバシー面では、MetaがFacebookとInstagramの写真をAIや顔認識の訓練に違法利用したとして、集団訴訟を起こされました。Clearview AIは、捜査対象者の関係者やSNSアカウントなどを特定する試作ツール「InquiryIQ」を警察向けにテストしています。Appleも周囲の音声を処理するApple Watchの新機能で、セキュリティーとプライバシー保護を強調しました。

米国政府は、4年間で推定300億ドル超を扱ったネット上の巨大闇市場Xinbi GuaranteeのTelegramチャンネルを差し押さえ、同市場を制裁対象にしました。司法省はマダガスカルの詐欺拠点13カ所への捜索も発表し、ランサムウェア集団Contiのウクライナ人メンバーには禁錮4年の判決が下りました。

Universal Music Group（UMG）は2026年9月10日、AI音声・音楽生成のElevenLabsと複数年のライセンス契約を結び、新たなAI音楽制作プラットフォームを立ち上げると発表しました。利用者はUMGのライセンス済み楽曲カタログを基に、リミックスやマッシュアップ、既存曲の新たな解釈を制作できるようになります。

特徴は、アーティストが参加するかどうかを選べる点です。両社はUMGの権利管理能力とElevenLabsのAIモデルを組み合わせ、アーティストと作詞・作曲家に公正な報酬が届く仕組みを目指します。

今回の基盤は、ElevenLabsのMusic APIや音楽生成サービスElevenMusicとは別に運営されます。提供開始時期や詳しい利用条件は記事で示されていません。

UMGはUdioとのAI音楽基盤を開発中で、Spotify、Nvidia、KlayともAIライセンス契約を結んでいます。音楽業界ではSunoも、Warner Music GroupやBMGなどのライセンス楽曲で訓練した初のAI音楽モデルを今週公開しました。

UMGとElevenLabsは今後数カ月から数年にわたり、追加製品やファン向け体験も開発する計画です。ただし、具体的な内容は発表資料に示されていません。

AppleはiOS 27で音声アシスタントを「Siri AI」へ刷新し、iPhone内のメールや予定、写真を参照した回答、画面・カメラの内容認識、文章作成、アプリ操作を提供します。処理に必要な性能から、基本機能はiPhone 15 Pro／Pro Max以降が対象です。保存情報の索引化は端末内で行い、Appleには送信せず、利用者の文脈に基づく回答を可能にします。

Siri AIはテキスト、メール、カレンダーを索引化し、予定日や待ち合わせ場所などを自然な言葉で尋ねると、アプリ内の情報から回答します。写真・動画にも対応し、ペットや旅行などの条件を会話形式で指定して探せます。

画面認識により、Safari上の文章の要約や画像内のランドマークの特定、設定項目の説明が可能です。カメラのSiriモードでは、映っているメニューの栄養情報なども質問できます。

文章作成では従来のChatGPT連携を使わず、メッセージやメールの生成、文体変更、加筆・短縮をSiri AIで実行できます。利用者が変更内容を確認して最終承認でき、複数の編集履歴を行き来できます。

アプリ内操作も深まり、予定の作成やプレイリストの切り替えに加え、受信した日時から予定登録を提案します。専用アプリでは会話履歴をApple端末間で同期し、一般知識への回答にも対応します。音声の速度や表現力の調整は、2026年版iPhoneやiPhone 17 Proなど、より高性能な機種に限られます。

インド発の音声物語プラットフォームPocket FMは2026年9月10日、年換算収入ランレートが過去1年で2倍の5億ドルに達したと明らかにしました。新作の99％、全カタログの93％をAIで制作し、人間が担う企画や物語づくりを独自モデルで完成品へ変換する体制が、制作量と事業の海外成長を支えています。

AIは人間を外す仕組みではありません。55万人超のクリエーターがアイデアと物語を作り、同社が蓄積した制作データや聴取行動を学習させた独自の文章生成・音声合成モデルで作品化しています。

この工程により、コンテンツ制作費は約80分の1になりました。従来は約1年を要した100時間分を1日で作れるようになり、年間約250万時間のAI活用コンテンツと77万超の音声シリーズを抱える規模に拡大しました。

供給増は利用者に合う物語を増やし、12カ月収入維持率を2年前の44％から76％へ押し上げました。作品別では96タイトルが各100万ドル超を稼ぎ、うち13タイトルは各1000万ドルを超えています。

2億5000万人超の利用者を20カ国以上に抱え、米国は過去1年で約70％成長し、年換算収入の約7割を占めます。収入の約8500万ドルは広告、残る約4億1500万ドルは個別エピソードの解放課金です。

親会社Pocket Entertainmentは音声の成功作をAI動画に転用し、米国限定の短編ドラマアプリPocket Sagaを開始3カ月で年換算収入約1500万ドルに伸ばしました。今後5年で少なくとも二つの娯楽形式を追加する計画で、調達する場合の資金もAIと新形式への投資に充てる方針です。

OpenAIは2026年9月10日、開発者向けAPIを通じてリアルタイム音声モデル「GPT‑Live‑1」の提供を始めました。聞く・話すを単一モデルで同時処理し、割り込みや沈黙、雑音に自然に対応しながら、複雑な推論やツール操作を背後のモデルへ委ねられるため、音声アプリや業務フローの構築を簡素化します。

従来の音声エージェントは、音声認識、推論、音声合成をつなぐ構成で、処理の受け渡しごとに遅延や文脈の欠落が生じやすい設計でした。GPT‑Live‑1は音声の入出力を一体で扱い、会話を続けながらバックエンドに高度な処理を任せます。

評価ではFull Duplex BenchがGPT‑Realtime‑2.1を30ポイント上回り、応答開始の速さや対話動作が改善しました。GPT‑6 Astraと組み合わせた構成は、音声エージェントの一連の業務遂行能力を測るTau3で首位を記録し、語学学習サービスSpeakでは従来方式より割り込みが約80％減りました。

開発者はシステムプロンプトで口調、速度、会話スタイルを調整し、用途に応じて背後のモデルやツールを選べます。長時間の文脈保持、英数字の認識、キーワード優先、話者交代の検出に加え、予約や顧客対応などの電話業務にも対応します。

GPT‑Live‑1は提供開始日からAPIで利用でき、フロントエンドの音声層は1分当たり0.05ドルです。より多様なアクセント、方言、言語の音声を用意し、カスタム音声は営業窓口を通じて利用資格と申請手続きを確認します。

AmazonのPrime Videoは2026年9月9日、俳優の口の動きを人間が収録した翻訳音声に合わせるAI機能を公開しました。まずドイツ作品「Maxton Hall」の英語吹替版に導入し、シーズン1・2を世界の加入者に提供します。今回、新たにAIと視覚効果を組み合わせ、翻訳音声と映像を一致させます。

新機能はAIと視覚効果技術を組み合わせ、翻訳されたせりふに口の動きを合わせます。音声そのものは人間による吹替であり、AI自動吹替ではない点が特徴です。

現時点の対象は「Maxton Hall」の英語吹替版だけです。シーズン1と2ですでに利用でき、12月9日公開予定のシーズン3にも導入されます。

Prime Videoは今後、対象を追加作品に広げる計画ですが、作品名や時期は示していません。まず単一作品で提供し、段階的に適用範囲を広げる形です。

同社は前年、英語とスペイン語のAI支援吹替を映画・テレビ番組12作品で試していました。MetaとYouTubeも自動吹替や口元同期の機能を導入しており、多言語映像へのAI活用が広がっています。

NVIDIAは2026年9月、アムステルダムで開かれるIBC 2026に向け、放送、スポーツ、配信向けの「NVIDIA AI for Media」を大幅に拡充しました。同社はSDKやNIMマイクロサービス、設計テンプレートを通じ、映像の真贋判定、動作解析、画質向上、多言語化をリアルタイムで処理します。既存の放送環境を保ちながら制作・配信工程を効率化し、世界向けコンテンツ展開を容易にする狙いです。

映像の信頼性では、Synthetic Video Detectorの判定精度がテキストから生成した動画で99.3％、画像から生成した動画で97.7％に達しました。Daletは報道向け検証工程、TwelveLabsはコンプライアンス審査、Wowzaはライブ映像分析に組み込み、判定結果やメタデータを既存業務で確認できるようにします。

制作面では、単眼映像から人体の関節位置と角度を推定する3D Body Poseが、選手の動作分析や判定支援、仮想制作に構造化データを提供します。Video Frame Generationは中間フレームを生成してフレームレートを2倍または4倍に高め、Ross Videoはスポーツ中継で6倍速のスローモーション生成に活用し、8倍補間も開発中です。VSRによる高解像度化や、最大約2,000ニトのTrueHDRも同じ映像処理工程に組み合わせられます。

多言語配信では、LipSyncとActive Speaker DetectionをHoloscan for Mediaに組み込み、字幕、翻訳音声、吹き替え、口の動き、画面内グラフィックを一つのリアルタイム工程で扱います。NDIはこれらを既存の放送工程に導入し、共通の映像ストリームから複数言語版を生成することで、回線や設備、制作の複雑さを抑えます。

ライブ制作基盤では、Holoscan for MediaとMedia Exchange Layerを統合します。映像、音声、データを分散環境で交換する共通層を設け、AI処理と従来の放送機能を同じ高速計算基盤上で連携させることで、個別のシステム統合を減らします。

スポーツ向けには、保有する映像や注釈でNVIDIAの公開モデルを調整するSports Intelligence Playbooksを用意しました。未学習映像を対象とする初期試験では、学習時と似た形式の設問で選択式の正答率が約53％から94％、自由回答の評価が約5.7％から66％へ上昇しました。独自データを分析サービスや制作支援、ファン体験に変えるための実装手順を、データ準備から配備まで一体で示します。

Googleは2026年9月9日、Google AI各プランの機能拡充を発表しました。Gmail、Google ドキュメント、Keepで音声による文書作成や検索、メモを可能にし、デザイン作成、スプレッドシートのミニアプリ化、Gemini Sparkによる作業代行も追加します。対象機能は主にAI ProとUltra向けで、対象となる世界の大学生には1年間の無料利用を提供します。

音声機能では、Gmailで下書き作成や受信箱の情報検索ができ、Google ドキュメントでは文書を作成し、Keepでは考えを素早く記録できます。GmailとKeepはAI Plus、Pro、Ultraで使えますが、Google ドキュメントはProとUltraが対象です。

AI ProとUltraでは、Google WorkspaceのGoogle Picsを使い、ポスターやSNS投稿の制作、デジタルイラストの編集ができます。Sheets canvasは簡単なプロンプトから、スプレッドシートを独自の操作可能な「ミニアプリ」に変換します。

米国のAI ProとUltraでは、ChromeとGoogle PhotosにつながったGemini Sparkがウェブ上の用事を処理し、写真編集やアルバム整理を担います。利用できる地域が米国に限られるため、導入時には契約プランに加えて提供地域の確認が必要です。

対象となる世界の大学生には、Google AIプランを1年間無料で利用できる特典も用意されます。今回の更新は音声入力、制作、データ活用、作業代行を一つの契約体系に広げる内容であり、利用者は必要な機能と各プランの対応範囲を照らして選ぶことになります。

Appleは2026年9月9日、ジョン・ターナスCEO就任後初の秋イベント「Surprise and Shine」で、同社初の折りたたみ端末iPhone Duo、iPhone 18 Pro、Apple Watch Series 12、AirPods 5を発表しました。iPhoneをAI時代の「個人向け知的ハブ」と位置づけ、端末上処理とプライバシーを軸に、写真認証、会話要約、健康助言までApple Intelligenceの用途を広げます。

iPhone Duoは開いた状態で7.6インチ、外側に5.4インチの画面を備え、価格は1,999ドルからです。10月16日に予約を始め、同23日に発売します。100点超の部品からなるヒンジでは、AIで個体ごとに最適な筐体を組み合わせ、レーザー走査と3D印刷で最大25層を重ねて微細な波打ちを抑えますが、長期耐久性は未検証です。

iPhone 18 Proは、Referenceモードで撮影したセンサーデータに署名し、Private Cloud Computeで改変不能な参照画像を作るReference Imageを導入します。利用者は編集版と比較でき、開発者向けAPIやAI生成・加工を識別するSynthIDにも対応します。48メガピクセルの主カメラには6枚羽根の可変絞りを採用し、価格は1,199ドルから、9月18日発売です。

Apple WatchのLive Rewindは、デジタルクラウンを2度押すと直前15秒の会話を文字にし、Siri Recapは指定した時間帯の会話から題名、要約、要点を作ります。Appleは音声を作成・保存せず、話者も特定せず、文字起こしと要約をエンドツーエンド暗号化すると説明しています。一方、周囲の人の同意や州ごとに異なる法的扱いなど、目立ちにくい録音操作がもたらす課題は残ります。

刷新するHealthアプリは、睡眠、運動、心臓、最大酸素摂取量などをAIで整理し、健康年齢と準備度、個別助言を示します。Questと組む50項目の血液検査は119ドルで、アプリは年内に米国英語から提供を始めます。AirPods 5は雑音低減を前世代比50％強化し、AppleはAIを端末、身につける機器、健康管理へ一体展開します。

Adobeは動画編集ソフトPremiereを刷新し、プロジェクトのタイムラインから映像、効果音、音楽、環境音を生成できる「Generative Media」を導入します。編集者はブラウザーや外部アプリへ移らず、必要な素材を作ってそのまま編集できるため、今回の更新は生成モデル自体よりも制作フローへの組み込みやすさに重点を置いています。

使い方は、映像・音声トラックの空白区間を選び、周囲の文脈に合うクリップを生成する流れです。生成物は全面的に編集可能で、不足するBロールや音素材をタイムライン上で補えます。

タイムラインではAdobe Firefly、Google Veo、Runway、Luma、Klingから基盤モデルを選べます。複数モデルを同じ画面から使い分け、プロジェクトの作風に合う出力を探せる設計です。

PremiereにはAI音声ツールもベータ版で加わります。重なった話者の分離、会話中の音楽の自動抑制、台詞と環境音の個別調整に対応します。

After Effectsでは、AI Assistantがベータ版として提供されます。自然文の指示でプロジェクト整理や技術的な問題の修正、エクスプレッションを書かずに効果作成を進められます。

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。