音声（マルチモーダル）に関するニュース一覧

ゲーム開発大手Saberのマシュー・カーチCEOは8月12日までに、開発中の運転シミュレーション「Rideshare Stimulator」で脚本家をAIに置き換えたとする元リード脚本家の告発を否定しました。The Vergeに寄せた声明で、同氏は「SaberもUnigineも脚本家をAIに置き換えていない」と述べ、物語は実在の人間が書いたと強調しています。

発端は、元リード脚本家のステラ・サッコ氏がBlueskyに投稿した告発でした。同氏は「開発の途中でChatGPTに置き換えられた」とし、乗客の音声もすべてAIだったと指摘しています。Steamの商品ページに生成AI利用の開示がない点も問題視しました。

カーチCEOは一方で、乗客が無限に登場する実験的なフリーライドモードでは必要上AIを使うと認めています。さらに「2001年の創業以来、ゲーム体験やNPCの挙動を高めるためにAIツールを使ってきた」とし、3000人を超える従業員がAIに置き換えられる心配はないと述べました。

これに対しサッコ氏はThe Vergeへの返信で、「脚本家が書いた」と「コンピューターが書いた」を同時には言えないと反論しました。自分が書いたライドとAIが書くライドが同居するなら、AIは使われ、自分は置き換えられたことになると主張。2023年12月にSaberから同じ方針を告げられたとも述べています。

争点は、AIを部分的に使う開発で「置き換え」をどう定義し、どこまで開示するかという点に移りつつあります。Rideshare StimulatorのSteamページには現時点で生成AI利用の開示がなく、公開されたティザー映像にはAI生成とみられる文章と音声が含まれています。制作体制の説明とゲーム内の実態が一致するのか、発売に向けて説明責任が問われそうです。

Googleは8月12日、ワイヤレスイヤホン「Pixel Buds Pro 2」と「Pixel Buds 2a」の新機能を発表しました。Geminiによる音声操作、装着状態の変化を補う動的ANC、70以上の言語を扱う翻訳機能の強化が柱です。新色オリーブのPixel Buds Pro 2は8月12日から注文でき、ソフトウェア更新は9月に順次配信されます。

注目はGeminiによる音声操作です。「Hey Google, turn up the bass」と話しかけるだけで低音の強さなどイヤホン側の設定を変更でき、スマートフォンを取り出してアプリを開く手間がなくなります。音声だけで機器を操る体験が、スマートフォンからイヤホンへ広がる形です。

Pixel Buds Pro 2には動的ANCが加わります。装着中に耳との密閉具合がわずかにずれても、その変化を補うようノイズ制御を自動で調整し、遮音の効きを保つ仕組みです。

翻訳機能も強化されます。イヤホンをタップすると聞き取りモードが起動し、70以上の言語をほぼリアルタイムで理解できるほか、自分の言語で話した内容をPixelスマートフォンが相手の言語で読み上げます。スマートフォンを操作せずに双方向のやり取りが成り立つため、出張や商談での実用性が高まります。

Pixel Watchとの連携も追加されます。時計が入眠を検知すると音楽を止め、タッチ操作と通知を無効にするため、就寝中に音や振動で起こされる心配が減ります。

Googleは端末とAIの結び付きを強めています。今回の更新は、ハードウェアを入り口にしたGeminiの日常利用を広げる動きと位置づけられます。

NVIDIAは8月12日、ApolloやBlackRock、Blackstoneなど金融大手6社と提携し、AIインフラ整備に5000億ドル超の第三者資本を動員する独立系の融資プラットフォームを設立すると発表しました。ジェンスン・フアンCEOは公式ブログで、企業がチップを買って案件ごとにデータセンターを建てる時代から、AI工場を収益を生むインフラとして金融できる時代に移ったと述べています。

投資対象になると説明する根拠は、計算資源の転用可能性です。NVIDIAのAI工場は言語や画像、音声、生物学、ロボティクスまで幅広いモデルを動かせるうえ、主要クラウドや企業に共通の設計が採用されているため、顧客が入れ替わっても別の事業者が引き継いで使えます。CUDAの世代更新は設置済み設備の性能と総保有コストを改善し続けるので、時間とともに生産量が増えるという主張です。

実績として挙げるのが、2020年に投入したA100です。6年経った今も学習や推論、高性能計算で商用稼働しており、複数年の容量契約が続くことで経済的な寿命は10年に近づいています。市況も強く、H100の1年契約は2025年10月の1GPU時間あたり約1.70ドルから2026年3月に約2.35ドルへ上がり、Blackwell世代のB200は約5.30〜7.05ドルと上乗せされた価格がついています。

投資家が最も気にする循環取引の懸念については、資金の出し手が独立している点を強調しています。6社は顧客、需要、稼働率、キャッシュフロー、残存価値を個別に審査し、NVIDIAは設備プラットフォームを提供する側に回ります。ただしNVIDIAは案件ごとの判断で、投資機会の最大25%まで残存価値を支える仕組みを用意する場合があるとも認めています。

経営者にとっての含意は明快です。計算資源が電力や通信と同じインフラ資産として扱われるなら、自社でGPUを買い切らなくても長期資本を使って調達する道が広がります。5000億ドルはNVIDIAの売上でも単一のファンドでもなく、時間をかけて動員される第三者資本の総額である点は押さえておきたいところです。

Google DeepMindは8月12日、50以上の手話を学習した翻訳モデル「SL2T」を発表し、Pixel 11のGboardとLive Transcribeに搭載しました。米国手話（ASL）から英語への変換に対応し、ろう者や難聴者は文字入力の代わりに端末へ手話で入力できます。手話AIが研究段階を越えて一般消費者向け製品に載るのは初めてで、追加料金はかかりません。

SL2Tは50を超える手話、延べ10万時間超のデータで学習しており、うち約4分の1がASLです。多様な言語や方言、習熟度を混ぜて同時に学習させることで共通する構造を獲得し、単一言語のモデルを上回る精度が出たといいます。ASLから英語への翻訳品質を測るFLEURS-ASLではゼロショットで70 BLEURTを記録し、過去の報告値を大きく上回りました。

プライバシー面では、端末側のMediaPipe Holisticが身体の関節点を追跡し、座標データだけをサーバーへ送る設計です。カメラ映像そのものは即座に破棄されます。さらに従来研究で使われてきた「グロス」と呼ぶ中間表記を挟まず、座標列から直接テキストへ翻訳することで語彙の上限をなくし、データ量に応じて精度が伸びる構造にしました。

手話は音声の書き起こしとは異なり、独自の文法と語彙を持つ独立した言語です。手や腕、胴体、頭、表情の同時進行の動きを高いフレームレートで捉える必要があり、映像認識と機械翻訳を同時に解く難題でした。開発チームは学術指標だけでなく、逐次出力の遅延短縮、手話をしていない映像での誤生成の抑制、左利きの署名者への公平性、スマートフォンを片手で持ったままの片手手話への対応にも取り組んでいます。

開発はろう者コミュニティとの共同作業として進められました。構想はろう者のGoogle社員であるSam Sepah氏が担い、データ収集や評価、影響評価の各段階にもろう者の専門家が関わっています。責任ある展開を導くため、世界のろう者団体と専門家からなる諮問委員会AISLACを設置し、SL2T 1.0の公開に合わせて能力と限界を明記した共同影響レポートも公開しました。

対応端末は今後拡大し、言語も追加される予定です。チームは手話の生成やフロンティアAI機能への展開も視野に入れています。音声入力と同じ操作性が手話にも広がり始めた今、アクセシビリティ対応やUI設計を検討する経営層とエンジニアにとって、入力手段の前提を見直す節目になりそうです。

WordPress.comを運営するAutomatticは8月12日、人脈管理アプリ「Mesh」のAndroid版を公開しました。Meshは個人や仕事のつながりを非公開で可視化し、連絡先にメモを残したり、次に連絡すべき時期を通知したりするツールで、同社が2025年に買収した「Clay」を改称したものです。Google Playで無料配布し、アプリ内課金で上位機能を提供します。

Android版では、分割画面やポップアップ表示といったプラットフォーム固有の機能に合わせて作り込みました。メールやメッセージを開いたままMeshを参照できるほか、折りたたみ端末やタブレット向けのキーボードショートカット、アプリ内検索、壁紙に応じて配色が変わるホーム画面ウィジェット、端末間のリアルタイム同期にも対応します。

機能面の軸はAIです。早期アクセス中の「Nexus AI」を使うと、「あの企業に知り合いはいるか」「特定の分野に詳しいのは誰か」といった問いかけで自分の人脈をたどれます。同社は音声によるハンズフリー操作や、名刺読み取り機能の改良も試験中です。

Automatticは、統合メッセージアプリ「Beeper」との結びつきも強める考えです。すでにMeshからBeeperで下書きを作ったり、ディープリンクでプロフィールを開いたりできます。共同創業者のザッカリー・ハメド氏は「AIはどうすればより良い友人であること、より良い仕事と個人の関係づくりを助けられるかを考えている」と述べ、数万件の接点を一人で丁寧に扱うのは不可能だと指摘します。

収益はサブスクリプションで、連絡先1,000件までは無料、それ以上は上位プランに移る仕組みです。同社は個人情報を広告ターゲティングに使わないとしています。BeeperなどAutomattic製品とのバンドル提供も検討していますが、現時点で発表はありません。

利用者の約7割は業務目的で使っており、共同創業者のマシュー・アチャリアム氏は、大きなチームを率いる経営層や、濃い人脈を維持したい層が中心だと説明します。個人利用も引き続き視野に入れており、「業務向けに考えた機能はそのまま個人にも当てはまる」との方針です。人脈を貯めるだけでなく、いつ誰に連絡すべきかをAIが示す設計は、関係構築の生産性を扱う道具としてMeshを位置づけています。

イスラエルのLightricksから独立した動画AI企業LTXは8月11日、動画・世界モデルの最新版LTX-2.5を重み公開しました。ノードベースの制作ツールComfyUIへ初日から統合されたほか、Hugging FaceとLTX APIでも同時に提供されます。年商1000万ドル未満の組織は無料で使え、それを超える企業は個別のライセンス交渉が必要です。

技術面では生成パイプラインをほぼ全段で作り直しました。動きの速い映像の破綻を減らす拡散デコーダ、カットをまたいで人物や声を保つマルチショット生成、Gemma 4を基にした独自の言語バックボーンを搭載しています。ロボットなど物理AI向けの事前学習チェックポイントも用意され、映像制作以外の用途を最初から想定した設計です。

最も目を引くのは速度です。同社の計測では10秒・720pの映像を6.8秒で生成し、Gemini Omni Flashの52秒やKling 3.0 Proの398秒を大きく下回りました。ただしこの数値はNVIDIAの最上位チップGB200を2基使った自社運用環境のもので、同社の管理API経由では同じ処理に23.7秒かかっています。

一方、同社が掲げる「コスト8分の1」という主張は、公開価格と突き合わせると裏付けが取れません。LTX-2.5の高速ティアは720p・音声付きで1秒0.09ドル、10秒で0.9ドルですが、これはVeo 3.1の4ドルの約4分の1にとどまり、Veo 3.1 Liteの0.5ドルの方が安いのが実情です。品質で示された67%の勝率も同社が委託した評価であり、中立のArtificial Analysisの順位表ではLTX-2.5はまだ計測すらされていません。

「オープンウェイト」と「オープンソース」は、約款の上では別物です。LTX-2.xコミュニティライセンスは収益規模と用途で制限をかけるためOSIの定義には当たらず、微調整版や蒸留版に加え、LTX-2.5の出力で学習した無関係なモデルまで派生物として同じ条件に縛られます。軍事・兵器開発の用途は全面禁止で、ロボット向けチェックポイントも防衛分野では別途交渉が要ります。

共同創業者のZeev Farbman氏は、この開放が慈善ではなく事業戦略だと明言しています。ComfyUIは有料顧客の入口であり、社内でモデルを試した企業がライセンス契約へ進む導線として機能しています。重みが手元にあれば検証段階の従量課金も社外へのデータ流出もなく、機密映像や自社IPを扱う企業にとっては選定の判断材料になりそうです。

GoogleのCEOサンダー・ピチャイ氏は8月11日、対話型AIアプリ「Gemini」の月間アクティブユーザーが10億人を突破したとX上で明らかにしました。10億人規模に達したGoogle製品はこれで14個目ですが、Geminiはその中で最速での到達となります。検索やGmailに組み込まれたAI機能は含まず、アプリとウェブ版で直接プロンプトを入力した利用者だけの数字です。

成長の速度は推移にも表れています。Geminiの月間利用者は今年2月時点で7億5000万人、7月の決算発表時点では9億5000万人でした。半年で2億5000万人を積み増した計算で、日次利用者はこの1年で3倍になったとGoogleは説明しています。

一方のOpenAIは8月6日、AIの使われ方をまとめたブログ記事の中で「10億人以上がChatGPTを仕事で使っている」と控えめに公表しました。同社は2月時点で週間9億人と発表しており、週間10億人に届くまで5カ月を要した形です。規模ではChatGPT、勢いではGeminiという構図が見えてきます。

使われ方のデータも合わせて公開されました。利用者の63%が音声でGeminiに話しかけており、音声だけで使う層も増えています。リアルタイム対話機能Gemini Liveでは5回に1回がカメラ映像や画面共有を伴い、DIYや学習の現場で目の前の課題解決に使われているといいます。

画像生成の規模も無視できません。Geminiは1日1億5000万枚の画像を生成しており、中小企業が販促物の制作に使う例が目立ちます。学校関連の質問では38%に添付ファイルが伴うことから、Googleは数週間以内に学習支援ツールを追加する予定です。

注目すべきは内訳です。iOS版の利用者は1億人超にとどまり、残る大半はGeminiがプリインストールされたAndroid端末の利用者とみられます。OSの配布力がそのまま利用者数に効く構図で、OpenAIが独自ハードウェアの開発を急ぐ理由もここにあります。

NVIDIAは8月10日、多言語音声合成モデル「Magpie TTS Multilingual」の最新版を公開しました。3億6400万パラメータの小型モデルで、新たにアラビア語・韓国語・ブラジルポルトガル語を加えた12言語に対応し、重みはHugging Face上でオープンモデルライセンスの下に配布されています。狙いは、企業が自社の環境で低遅延の音声エージェントを組めるようにする点にあります。

音声対話で最も体感に響くのは、生成開始から最初の音声が届くまでの時間、TTFAです。NVIDIAの実測値はB200で32ミリ秒、H100で47ミリ秒、A100で79ミリ秒でした。64並列の負荷下でもB200は239ミリ秒に収まり、再生速度の約320倍にあたるスループットを出しています。

この速さを支えるのは2つの設計変更です。デコーダが1回のステップで2フレームを同時に予測するフレームスタッキングが反復回数を半減させ、同時に生成されるトークン間の依存関係をlocal transformerが補正して音質の落ち込みを防ぎます。手法はICASSP 2026の論文として公開されています。

品質も前版から前進しました。フランス語の文字誤り率は2.70%から1.54%へ、スペイン語は1.14%から0.60%へ下がり、話者類似度もあわせて向上しています。新規3言語の文字誤り率は1.62〜2.91%で、今後の改善を測る基準値になります。

企業にとっての要点は、速さそのものよりも自分で制御できることではないでしょうか。重みが手元にあれば、閉域環境での運用やデータ所在地の要件に合わせた配置ができ、NeMoで自社の固有名詞や話者を追加学習させることもできます。Magpieは音声認識のNemotron Speechなどと組み合わせる参照実装「Nemotron Voice Agent」にも組み込まれ、1秒未満の応答を狙う構成例が示されています。

米音響大手Boseのリラ・スナイダー最高経営責任者（CEO）は8月10日公開の米メディアThe Vergeのポッドキャスト「Decoder」で、自社で磨いた音響技術を他社へ外販する事業に本格的に乗り出したと語りました。背景にあるのは、AIとの対話が音声中心になるという読みです。創業60年の製品会社は、B2Bの技術供給会社へと姿を変えつつあります。

変化は大きく二つです。60年間Bose一本だった同社は、75年の歴史を持つ米McIntoshとイタリアのSonus faberを取得して複数ブランド体制となり、高級オーディオ市場に踏み込みました。もう一つが技術事業「Audio Tech」で、Motorolaのイヤホンや端末、XrealのXRグラス、Senaのバイク用ヘルメット通信機、Epsonのプロジェクターなどに同社技術が入っています。

商売の建て付けはどうなっているのでしょうか。技術にはライセンス料がかかり、ブランド使用料はさらに別建てだとスナイダー氏は説明します。「技術抜きでロゴだけを渡すことはない」と述べ、ブランドを載せるかどうかは相手ごとに慎重に判断するとしました。

AIウェアラブルについて、同氏は「ウェアラブルはAIの未来に不可欠」と明言しました。ただし勝ち残る形状は一つではなく、グラス、クリップ型のオープンイヤー、腕時計、ピン、リングなど複数の形が併存するとの見方です。大規模言語モデル（LLM）は大手エコシステムに収れんする一方、各社が市場を独占できない以上第三者機器との接続は必要になると述べました。

技術面の焦点は、電力も演算資源も限られる「インテリジェント・エッジ」です。同社はこれをtiny AIと呼び、複雑なアルゴリズムを削り込んで小さな機器に載せる力を強みと位置づけます。その成果の一つとして、中国のOrcaと組みノイズキャンセリングを備えた世界初の補聴器を今年投入しました。

一方で課題も率直に語られました。米国の市販（OTC）補聴器は約1000ドルと高く、消費者が想定する200〜400ドルとの開きや保険適用外という壁があり、市場は伸び悩んでいるとして、提携先だったLexieとの関係も解消しています。Bluetoothの制約もプラットフォーム各社の囲い込みで残ったままで、同氏は「言い訳にはしない」と述べるにとどめました。

AI面接を提供する米Ribbonの利用データで、同社経由の面接の24%が現地時間の午後10時から午前2時に実施されていることが分かりました。米WIREDが8月10日に報じたもので、500社超の利用実績に基づき、製造業の顧客に限れば35%に達します。録画や音声による自動面接が採用の入り口に広がり、面接の時間帯そのものが深夜へ移り始めています。

共同創業者のArsham Ghahramani氏は、サービス開始直後からこの傾向に気づいたと語ります。子育て中の親や時間給で働く人、騒がしい工場や厨房で現職に拘束されている人にとって、夜10時以降にしか30分を確保できない事情があるためです。採用管理大手のGreenhouseでも、音声AIエージェントによる面接の15〜20%が夜間に設定されています。

もっとも、応募者の受け止めは冷ややかです。Greenhouseが5月に実施した調査では、候補者の約3分の2がAIエージェントによる面接を経験し、半年前から13ポイント増えました。一方で米国の候補者の38%はAI面接を避けるために選考そのものを辞退し、さらに12%が必須なら離脱すると答えています。

不信の中心にあるのは、録画データがどう使われるかが見えない点です。一般的なAI面接は職種ごとのルーブリックで評価され、溶接工なら技能や資格、営業職なら熱意といった項目が採点対象になります。AIが算出したスコアは映像とともに採用担当者へ渡りますが、実際には人が見ないまま終わる面接も少なくありません。

取材に応じたアトランタ在住の広報・マーケティング専門家Tim Millard氏は、1月に夜9時半から録画面接に臨みました。設問ごとに考える時間は約30秒、回答は2分という設定で、3月に届いたのは自動送信の不採用通知でした。求職活動は1年に及び、その体験は一人芝居の題材にもなっています。

5月の買収でGreenhouseの音声AI部門を率いることになったOphir Samson氏は、AIが人間の面接を置き換えるべきではないとしたうえで、AI面接を履歴書の補助と位置づけます。履歴書が読まれずに埋もれる現状より、次の面接に進む確率を上げる手段だという主張です。採用側に問われるのは、離脱リスクと選考効率の間で評価基準とデータ利用を開示できるかという点でしょう。

米誌WIREDは2026年8月8日、Google DocsやGmailに組み込まれたGeminiのAI機能を無効にする手順を公開しました。画面下部に現れる大型のGeminiバーはメニュー操作だけで隠せますが、AI機能をまとめて止めるにはGmailの設定を変更するか、Chrome拡張機能を導入する必要があります。押し付けられるAIを外せるかどうかは、日々の作業効率に直結する問題です。

まず手軽なのが、下部バーだけを消す方法です。Google DocsのメニューバーでGeminiをクリックし、「Bottom bar preferences」にカーソルを合わせて「Turn off」を選べば、画面下部の大きなバーは消えます。

AI機能そのものを止めたい場合は、意外な場所にスイッチがあります。Gmailを開いて右上の歯車から「See all settings」に進み、「General」タブのSmart featuresのチェックを外してからGoogle Docsを再読み込みすると、Geminiメニューや音声ボタン、下部のAIツールバーが消えます。右上のGeminiボタンだけは残りますが、他の要素に比べれば無視しやすいと筆者は指摘します。

ただし代償もあります。このチェックを外すと、文法提案や自動修正、スマート作成、スマート返信、ナッジといったGmail側のAI機能もまとめて止まり、Gmail内蔵のスペルチェックまで無効になります。ブラウザ側のスペルチェックは動き続けますが、これらの機能に頼っている人はGoogle DocsのAIを受け入れるしかないかもしれません。

注意したいのは、この手順が個人アカウント向けだという点です。勤務先が管理するGoogle Workspaceアカウントでは、どのAI機能を表示するかを決めるのは管理者であり、利用者が自分でオフにする手立てはほとんどありません。なお、Gmailの設定変更は一部の人にしか効かないとも報告されています。

設定変更が効かない場合や、スマート機能を残したまま表示だけ消したい場合の選択肢が、Chrome拡張機能「Bye Bye Gemini」です。CSSでGmailやDocs、DriveのAI要素を見えなくする仕組みで、検索結果のAI Overviewsも取り除けます。筆者はAIそのものに反対しているわけではなく、あらゆる画面に既定で詰め込むべきではないと述べています。

OpenAIが開発中の初のハードウェア製品となるスマートスピーカーについて、ブルームバーグは8月6日、価格が300ドル超になる見通しだと報じました。関係者の話として、社内では最大400ドルまでの価格設定も議論されたといいます。同社はドーナツ型の本体に可動部品を組み込み、応答に合わせて動かすことで、従来の据え置き型より生きているように見せる狙いです。

本体はホッケーパックほどの大きさのドーナツ形状で、バッテリー駆動の画面なし端末とされます。高品質な金属などの高級素材を使い、デザインは元アップルの著名デザイナー、ジョニー・アイブ氏が率いるラブフロムが手掛けたと報じられています。応答中に部品が独立して動くほか、聞き取り中を示すライトも備える見込みです。

機能面では、スマートフォンアプリのChatGPT音声モードに近い動作をしつつ、より高度なモデルで人間らしいやり取りを実現するといいます。天気の確認といった単純な用途ではなく、タスクの遂行を支援するAI優先の設計で、スマートホーム機器の操作にも対応する見込みです。

経営者が注目すべきは、OpenAIがこのスピーカーをスマートフォンの代替と位置付けている点です。音声を主軸にした端末が既存の携帯端末をどこまで置き換えられるかは未知数ですが、価格帯は一般的なスマートスピーカーより明らかに高い水準にあります。

一方で、法的リスクも残ります。アップルは元エンジニアが不正に技術情報を持ち出したとしてOpenAIを提訴しており、同社は訴訟を受けて社内調査を実施し、アップルの知的財産は使っていないと結論づけたとされます。OpenAIは製品ロードマップについてコメントを控えています。

Googleは2026年8月7日、公式ブログで動画生成モデルGemini Omniを使った開発者の作例5件を公開しました。Omniは今年のI/Oで発表された新ファミリーの第1弾で、テキストや画像、動画、音声を手がかりに高品質な動画を生成し、手元の映像を編集できます。先ごろ開発者向けの提供が始まり、すでに幅広いプロジェクトが生まれています。

最も目を引くのは編集の自由度です。開発者のレオン・リン氏は、街なかに立つ女性を約20通りの視点から捉え、寄りと引き、正面と横顔、俯瞰と煽りまでを一つの流れとして描き分けました。カルロス・サンタナ氏は音声指示だけで昼を夜に変え、曇り空と雨音を足し、紅葉と積雪まで加えています。

手元の素材の乏しさを補う使い方も目立ちます。Pan氏はGoogle Flow上で落書きを動きの指示として使い、レモンを潜水艦に、エスプレッソを気球に、マッチをロケットへと変えました。ジェロッド・リュー氏は1本のクリップを実写からアニメ、クレイアニメへと途切れずに移り変わらせています。

業務寄りの応用も出てきました。開発チームHyperagentは、何もない公園に植栽を重ねて造園の前後比較を示す提案動画を作り、経営ダッシュボードを解説するアニメの講師を登場させ、ToDoリストの消化をゲーム風の映像に仕立てています。企画書や社内説明に動画を使う余地は、これまでより大きく広がりそうです。

Omniは物理法則の直感的な理解とGeminiの実世界知識を組み合わせ、破綻の少ない映像を作る点を強みとしています。利用先はGeminiアプリやGoogle Flow、Google AI Studio、Gemini API、そしてGemini Enterprise Agent Platformです。制作コストの高さで動画を諦めてきたチームには、試す価値のある選択肢と言えるのではないでしょうか。

民泊仲介大手のAirbnbが2026年4〜6月期の決算説明会で、社内でのAI活用により主要施策の構想から公開までの期間を最大6割短縮したと明らかにしました。共同創業者兼最高経営責任者（CEO）のブライアン・チェスキー氏によると、前年同期の半年間と比べて出荷した機能・改善の数は約8割増えたとのことです。同社はあわせて、自然言語で宿を探せるAI検索の試験も始めます。

チェスキー氏は、検索やサインアップ、決済といった領域の開発をAIが後押ししたと説明しました。同社は2026年5月にも新規コードの6割をAIが書いていると公表しており、開発現場での定着が数字に表れた形です。ホスト向けにも、登録手続きを短くする機能などを投入しています。

一方で、利用者が直接触れるAI機能の導入は慎重でした。これまではレビュー要約や物件のハイライトにとどまり、チェスキー氏は旅行分野にチャットボット型の画面をそのまま持ち込んでも機能しないと繰り返し述べてきました。今回のAI検索も、従来の検索・絞り込みに慣れた利用者への押し付けを避けるため、切り替え式のトグルとして提供します。

トグルを有効にすると、利用者は自然言語で条件を入力し、視覚的な形式で結果を受け取れます。チェスキー氏は回答の見出しはAIが生成し、チャットボットを読むような会話調になりうると語り、物件ページのハイライトもその場で一人ひとりに合わせて生成されると説明しました。

裏側では、カスタマーサポートへのAI投入が先行しています。2025年に北米で導入したAIボットは今年50以上の言語へ広がり、年内には音声通話への対応も予定されています。AIエージェントで始まった問い合わせの約45%が人手を介さずに解決し、予約1件あたりのサポート費用は前年同期比16%減りました。

業績も堅調で、6月末までの四半期の売上高は前年同期比17%増の36億ドル、調整後EBITDAは21%増の13億ドルでした。開発速度とサポート費用という二つの指標でAIの効果を数字に落とし込んだ点は、社内導入の投資対効果を測りたい経営層にとって手がかりになりそうです。

米テック媒体Ars Technicaは8月5日、YouTubeが動画制作者に課すAI開示ルールが、実際のAI利用の大半を捕捉できていないと指摘しました。同ルールは写実的な映像や音声を生成・改変した場合に表示を求める一方、企画立案から調査、台本執筆、本人音声のクローンまでを含む制作過程のAI利用は対象外です。動画の骨格がAIで組み立てられていても、視聴者には何も知らされない構図になっています。

線引きは直感に反します。写実的ではないAI生成の音楽は開示が必要な一方、空想の世界でユニコーンに乗る映像は、写実的に見えても開示が要りません。全編AIで作った10秒の冒険動画は無表示で済み、そこにAI作曲のバラードを重ねた瞬間に表示義務が生じます。

開示不要とされる範囲は広く、アイデア出しから制作補助までが含まれます。台本や動画構成、サムネイル、タイトル、図解の生成に加え、制作者が自分の声をクローンしてナレーションに使うことも、全編アニメの中でミサイルの動きをAIで作ることも、申告は不要とされています。

影響が大きくなるのは、主張を伴う長尺動画です。地政学をテーマにした30分の動画で、AIが前提を立て、調査し、構成を書き、AIクローン音声がAIの草稿を読み上げたとしても、現行ルールでは開示義務が生じません。人の意見を動かす動画ほど、ラベルの空白が効いてくるのです。

記事が問うのは、完成品が「AI生成」に見えるかどうかではなく、AIが介在した過程が作品の論理と手触りを決めてしまう点です。人間だけで作れば、たどり着く資料も、重要と判断する論点も、脱線や冗談の入り方も、読み上げの自然さも変わります。表示ラベルは、その差を映しません。

Googleは、Androidのスマートフォンとタブレットで提供してきた音声アシスタント「Googleアシスタント」を、2026年9月4日から順次終了すると明らかにしました。利用者に送られたメールで判明したもので、削除が済んだ端末では以降アシスタントを使えず、元に戻すこともできません。生成AI「Gemini」への一本化が、いよいよ実行段階に入ります。

メールでGoogleは、9月4日に削除を開始し、全利用者に行き渡るまで数週間かかる見込みだと説明しています。切り替えは一斉ではなく段階的で、しばらくはアシスタントを使い続けられる端末も残ります。ただし一度削除されれば、アシスタントへの切り戻しはできません。

影響はスマートフォンだけにとどまりません。スマホと連携するWear OSのスマートウォッチ、ヘッドホンやイヤホン、Android Autoで動く車も同時にGeminiへ移ります。周辺機器がまとめて挙動を変えるため、音声操作を業務フローに組み込んでいる現場は事前の確認が欠かせません。

一方で、アシスタントが完全に消えるわけではありません。今回の告知はGoogle HomeやGoogle TVには及ばず、Google built-inを搭載した車も当面は従来どおり使えます。Geminiが提供される地域で、かつ端末が最低要件を満たす場合に、選択肢はGeminiのみとなります。

Googleは当初、2025年中に大半のモバイル端末でアシスタントを終える計画でしたが、Gemini側の作り込みを優先して延期していました。準備が整ったという判断が、今回の日付確定の背景にあります。音声アシスタントの世代交代は、旧来のコマンド型から対話型AIへの置き換えが既定路線になったことを示しています。

AI音楽生成サービスのTrebloは8月3日、自社モデルで作られた楽曲を判別するオープンソースの検出ツールを公開しました。同社がこのツールで解析したところ、米ラッパーのFenix Flexinさんが発表しBillboard Hot 100入りした楽曲「Rubberz」はほぼ全編が自社モデルによる生成と高い確度で判定されました。生成した側の企業が、ヒット曲のAI利用を自ら裏づけた格好です。

公開されたのは「Treblo AI Music Classifier」と呼ぶ分類器で、同社のブログによると誤検知率は1万分の1未満とされています。ただし検出できるのは自社モデルが生成した音声だけで、他社のAI音楽ツールには対応しません。精度が絶対とは言えないものの、生成元の企業が自前の検出器で「Trebloである可能性が非常に高い」と結論づけた意味は小さくありません。

TrebloのRyan Tremblay最高経営責任者（CEO）はThe Vergeへの声明で、分類器がRubberzに非常に高い確率スコアを返し、公開された音声がほぼ全て自社モデルによる生成であることを示したと説明しました。その上でBillboard Hot 100に到達した初のAI生成曲になるとの見方を示し、数百万人が共感する音を自社モデルで見つけた人がいるのは刺激的だ、と付け加えています。

一方のFenix FlexinさんはAIの使用を否定し続け、レコーディングの制作ファイルだとする映像クリップを投稿しました。ただ画質が粗く、疑惑を打ち消すには至っていません。音楽メディアStereogumによれば、音楽家のMedasinさんはAIのステム分離ツールでセッションを偽装しただけだと指摘しており、The Vergeの取材にFenixさん側からの回答はありません。

今回の一件は、AI生成物の真偽を最も確実に判定できるのが生成した当事者自身だという構図を浮き彫りにしました。裏を返せば、各社が自社モデル分の検出器を出すだけでは業界横断の来歴確認は成立しません。音楽に限らずコンテンツを扱う事業者にとって、出所の証明と開示ルールの整備は先送りできない課題になりつつあります。

米国の音声入力スタートアップWispr Flowが、会議を自動で記録・要約する新機能「Notetaker」を公開しました。カレンダーと連携して会議中の発言を文字起こしし、終了後は生成AIが要約を作成、チャット形式の追加質問にも答えます。同社のタナイ・コタリ最高経営責任者(CEO)は「今年は会議録音とAI議事録の年だ」と述べ、GranolaやOtterが先行する市場への参入を鮮明にしました。

実際に試用した米メディアWIREDの記者によると、画面上を流れるリアルタイムの文字起こしは正確で、会議後に自動生成された要約にも明らかな誤りは見当たらなかったといいます。記者が最も評価したのは、記憶があいまいな発言を自然文で検索できる「ask anything」機能でした。実際に検索で見つけた引用を音声記録と突き合わせたところ、内容は一致していました。

利用者の使い勝手を大きく変えるのが、録音時間の上限です。従来は6分までしか記録できず、30分の会議を残すために利用者が5回も起動と停止を繰り返す状況でしたが、Mac向けアプリの設定画面から上限を最長6時間まで延長できるようになりました。コタリCEOは「本当に求められている使い方に気づいた」と語り、提供はMac向けが先行、Windows版は今後の対応となる見通しです。

背景にあるのは、会議の記録がAI前提になりつつある職場の変化です。シリコンバレーでは投資家や専門家が商談の場で録音や文字起こしを当然視するようになり、時に明示的な同意がないまま記録が始まる例もあります。現在の定番はGranolaで、Otterなど選択肢も増えており、音声入力で知られるWisprの参入はこの流れに沿ったものです。

一方で、Wisprの新機能はGranolaと同様に会議画面へ参加者として表示されません。だからこそコタリCEOは、法的な理由と参加者のプライバシー配慮の両面から、利用者が文字起こし中であることを必ず開示すべきだと強調します。「それが皆の規範にならなければ、信頼の欠如が広がってしまう」との発言です。

録音の同意要件は地域によって異なり、片方の当事者の同意で足りる州と、全員の同意を求める州があります。同社が拠点を置くサンフランシスコを含むカリフォルニア州では、私的な会話の録音に全参加者の同意が法的に必要です。AI議事録を業務に組み込む経営者やリーダーにとっては、生産性向上の効果と同時に、開示と同意のルールを社内でどう設計するかが問われる局面といえるでしょう。

広告業界出身のDavid Stemler氏と、ScratchDCなどを創業したRyan Hansan氏が、位置情報をもとに周囲の場所にまつわる物語を自動で伝えるアプリ「Wrinkles」を公開しました。iOSとAndroidの両方で利用でき、AI音声ガイドとして建物の由来や通りの歴史、土地の言い伝えを語ります。画面を見続けずに、歩きながら周囲の情報を耳で受け取れる点が特徴です。

同社は世界177カ国で130万件の地点情報を整備し、これを共通の土台としています。その上に歴史家や博物館、クリエイター、ブランドが独自の物語や体験を地図上に追加できます。利用者は移動しながら発見するほか、地図を検索して遠隔で閲覧することもできます。

体験を実際のツアーに近づけるため、利用者はその場で質問を投げかけられます。友人や家族、クリエイター、団体をフォローし、保存した地点を独自のガイドとしてまとめて共有する機能も備えます。さらに家族の写真や録音を特定の場所に結び付け、実家や思い出の場所の記録を共同で残す使い方も想定しています。

両氏はフリーミアム型も試した上で、利用者には無料で提供し続ける方針を示しています。収益の柱は供給側にあり、博物館や観光局、大学、ホテルが自前のアプリを開発せずに来訪者向けの体験を作れる点に価値を置きます。パートナーはツアー予約や座席の確保、チケット購入への導線を設置でき、Wrinklesはその取引の一部を受け取ります。

着想はStemler氏がロンドンの大英博物館で公式アプリを使った際の不満から生まれました。壁の番号と手元のリストを照合するばかりで周囲を見られなかった経験が、位置を知る端末があるなら場所自体が語りかけるべきだという問いにつながっています。両氏は旅行アプリではなく日常の好奇心に応えるサービスと位置づけ、通勤路や地元の再発見にも使われる姿を描いています。

アメリカのスポーツ専門局ESPNが、2026年7月に生中継したポーカー世界大会「World Series of Poker」メインイベントで、選手のしぐさから手札を推定するAIテル検出ツールを試験的に使いました。開発したのはアメリカ空軍のAI技術者ルーク・ギール氏で、視線や瞬きの回数、姿勢、チップの扱い方などを解析し、強い完成手かドローかブラフかを確率として画面に示す仕組みです。

ポーカーでは相手の無意識のくせ、いわゆるテルを読む力が、カードそのものと並ぶ勝敗の分かれ目とされてきました。中継では選手の動きの各指標と手札の強さを示すグラフがテキストで重ねて表示され、ポーカー界からは精度や是非を問う声が上がりました。

取材に応じたプロが最も問題視するのは、学習データの少なさです。今年のメインイベントには9000を超えるエントリーがありましたが、カメラが入っていたのは3卓のみで、同じ選手が繰り返し映る機会は限られていました。決勝卓に進んだプロ歴17年のマイケル・ガリアーノ氏も、中継映像を見返して対戦相手を研究したものの、実際に使える情報は多くないと語ります。

WSOP年間最優秀選手に2度輝いたショーン・ディーブ氏は、テルの幅の広さを指摘します。脚の動き、チェックの仕方、発話、呼吸、脈拍まで含まれ、その多くはカメラでは捉えられないといいます。AIは映像や音声のパターンを追えても、その裏にある意図までは読み取れません。

開発者のギール氏自身も、サンプル数が多いほうが望ましいと認め、他の大会で実施した盲検テストの結果はまちまちだったと明かしています。ESPNから中継制作を請け負うオマハ・プロダクションズは、決勝卓ではツールを使わないと回答し、その理由の説明は避けました。

参加費が6桁ドルに達するハイローラー大会では、常連プロの映像が大量に蓄積されており、AIによる分析が実利に結び付く余地は残ります。ただし対局中の電子機器は禁じられており、ディーブ氏はスマートグラスも遠からず規制されると見ています。自分のチームとAIが勝負するなら迷わずチームに賭ける、というのが同氏の見立てです。

OpenAIは8月3日、対話型音声AI「GPT-Live」を支えるリアルタイム基盤の設計を公開しました。従来の音声AIが使っていた「話し終えたか」を推測する小型モデルを音声の経路から取り除き、聞くことと話すことを同時に行う全二重モデルを中核に据えたことで、人間同士の会話に近い1秒未満の応答を実現したといいます。担当エンジニアは半年かけて、推論・文脈管理・伝送の全層を作り直しました。

これまでの音声AIは、テキストLLMのターン制をそのまま引き継いでいました。小型の判定器がユーザーの発話終了を推測し、その決定が出るまで大きなモデルは動き出せず、早すぎれば言葉を遮り、遅すぎれば反応が鈍く感じられます。GPT-Liveはこの判定器を音声経路から外し、モデル自身が会話の主導権を握る構成へ切り替えました。

新基盤の要は、音声の流れとアプリケーション処理を明確に分けた点です。音声はクライアントとモデルを結ぶ専用の高速経路を流れ、ツール実行や外部連携は非同期のRPC境界の向こう側で処理されるため、遅いツール呼び出しが音声を止めることはありません。媒体処理と推論制御はPythonのasyncioからGoへ書き換えられ、フレーム配信の安定性は新方式のp95が旧方式のp50に並ぶ水準まで改善しました。

長時間の通話を支えるのが、モデルインスタンス間の無停止の引き継ぎです。切り替えが必要になると、複製先を先に温めて現在の文脈を読み込ませ、両方で並行して推論したうえで準備が整った時点で切り替えます。文脈が上限に近づいたときの圧縮も同じ仕組みで裏側に逃がすため、KVキャッシュの再構築による沈黙が会話に現れません。

深い思考が必要な場面では、GPT-5.5などのフロンティアモデルに処理を委ねます。音声セッションの開始時点でフロンティア側の推論セッションを作って初期文脈を先に処理させ、プロンプトキャッシュとセッション固定を組み合わせることで、結果が返るまでの時間を削っています。会話画面や分析・安全性の仕組みは今も発話単位のメッセージを前提とするため、アプリサーバーが暫定的な文字起こしと時間情報から話者を推定し、確度が高まった時点でメッセージを確定させています。

接続の立ち上がりも作り直しました。WebRTCの手順を整理した新プロトコルWARPで開始時の往復を6回から1回に減らし、接続情報を事前に交渉するInstant Connectと合わせて、単一のUDPパケットで会話を始められるようにしています。本番トラフィックの一部を読み取り専用で流すシャドーテストでは、GPUの処理量だけでは必要な容量を測れないことが判明し、同時セッション数を基準に据え直したといいます。

欧州連合（EU）は2026年8月2日、AI法に基づく新たな透明性義務の適用を開始しました。利用者がチャットボットなどのAIと対話している場合はその旨を明示し、AIが生成・加工した画像や音声、動画には識別可能な表示を付けることを、域内で事業を行う企業に求めます。違反した企業には最大1500万ユーロ（約1720万ドル）、または世界年間売上高の3%の制裁金が科される可能性があります。

規制の中身は、AIシステムを開発・提供するプロバイダーと、それを使ってサービスを運営するデプロイヤーで分かれます。プロバイダーは、AIが相手だと明らかな場合を除いて人間ではないことを利用者に通知する設計を求められ、合成した音声・画像・動画・テキストには人工的に生成・加工されたと検知できる機械可読の標識を埋め込む必要があります。MetaやSpaceXAIのように、両方の立場に分類される企業もあります。

一方のデプロイヤーには、本物に見えるように作られたAI生成・加工のディープフェイク画像や音声、動画にラベルを付ける義務が生じます。欧州委員会は「生成AIや対話型AIの急速な発展により、AIとのやり取りやAI生成コンテンツを人間による本物のコンテンツと区別することが難しくなっている」と説明し、利用者が誤情報や欺瞞を避けて判断できるようにする狙いを示しました。

欧州委員会は、企業が自前でデザインしなくて済むよう公式の開示アイコン一式と、使うべき場面の例も公開しました。これはTikTokやInstagram、Facebookがすでに導入しているラベルに近いものです。ただし委員会は、アイコンの利用は任意でも表示要件そのものは任意ではないと念を押しています。

新しいAIシステムには即座に執行が及びますが、8月2日より前に提供が始まっていたモデルやサービスには12月2日まで4カ月の猶予が与えられます。EU市場で生成AIを扱う企業にとっては、この期間内に表示の設計と機械可読な標識の実装を終えられるかが、実務上の分かれ目になりそうです。

Appleは7月に公開したiOS 27のパブリックベータで、刷新した音声アシスタント「Siri AI」の提供を始めました。新しいSiriは利用者の個人的な文脈を理解し、幅広い世界知識をもとに質問へ答え、iPhone内に保存された情報を探し出すという、同社がかつて約束した機能をようやく満たしています。ただし度重なる延期を経ての登場であり、市場が沸き立つ節目にはなっていません。

皮肉なのは、Appleが足踏みしていた数年の間にAI競争が大きく先へ進んだことです。いまやAIはコードを書いてソフトを組み立て、エージェントが複数手順の作業をこなし、利用者の隣でパソコンを操作し、推論し、記憶し、メディアまで生み出します。実用的なチャットボットであること自体は、もはや突破口とは言えません。

とはいえ中身の実力は確かです。自然な往復の会話ができ、音声の抑揚や話す速さを設定で調整でき、文字入力にも対応し、専用アプリから過去のやり取りを参照することもできます。個人の文脈理解も強力で、保存場所も内容も覚えていない領収書を「最後に保存したもの」と頼むだけで探し出し、免許証を写した画像から番号を読み取ることもできます。

アプリやウェブの操作も任せられます。経路案内、音楽再生、写真編集、メールの下書き、オーディオブックの再生などを声だけで指示でき、冷蔵庫の余り物から作れる料理を一緒に考える相談相手にもなります。カメラのファインダー越しに目の前のものを調べたり、友人との割り勘計算を頼んだりする使い方も可能です。

この前進を支えたのがGoogleとの提携です。AppleはGeminiに自社の看板を掛け替えただけではなく、Googleの技術を独自のApple Foundation Modelsの訓練と改良に用いました。出来上がったモデルは自社設計のチップとプライベートクラウドコンピュートの基盤上で動きます。

それでも今回の刷新は、革新というより長年の不具合の修正に近い印象を残します。本来こう動くはずだったものが、ようやくそのとおり動いた、というのが実情でしょう。ベータを使わない一般の利用者が触れられるのは、9月と見込まれるiOS 27の正式リリース以降です。

欧州連合（EU）は8月2日、AI規制法（EU AI法）の透明性義務を施行しました。域内の市民は、AIと対話するときや、AIが生成・改変したコンテンツを見るときに、その事実を知らされる権利を得ます。広告や音楽レコメンド、苦情受付ホットラインまで一律の開示が必要となり、違反企業には最大1500万ユーロまたは全世界年間売上高の3%のいずれか高い方の制裁金が科されます。

対象は驚くほど広く、ディープフェイクを使った広告や企業のSNS投稿には、AI生成であることを示すラベルが付きます。苦情対応のチャットボットや電話窓口はAIベースだと明示する必要があり、機械学習で発信者の感情や不満を検知するコールセンターは、通話の冒頭でその旨を告げなければなりません。企業同士の商用利用も例外ではなく、予定調整や書簡対応、契約交渉に至るまで申告が求められます。

規制はモデル開発企業にも及び、欧州委員会が新設したAI事務局が監督にあたります。法律事務所Stibbeでテクノロジーとデータを専門とするデュカン弁護士は、OpenAIやAnthropic、Google DeepMindといった代表格にとどまらず、AIレコメンドを使うSpotifyや、Photoshopに生成編集機能を備えるAdobeも視野に入ると指摘します。「探し始めると、AIはあらゆる場所にあります」と同氏は語ります。

一方で、表示の乱発が情報過多を招くとの懸念も出ています。業界団体CCIAでAI政策を率いる担当者は昨年12月、過剰なラベル表示は終わりのない通知によるバナー・ブラインドネスを招くと警告し、スペルチェックした電子メールやフィルターをかけた写真まで対象になれば、AI表示は意味を失うと述べました。

今回の法律は、2018年に施行されクッキー疲れという言葉を生んだEUの個人データ保護規則（GDPR）を想起させます。EUはAIモデル提供者が合成音声や画像、動画、テキストを機械可読な形式で示すまでに12月までの移行期間を設けており、27の加盟国は監督体制の整備状況もまちまちです。ノートン・ローズ・フルブライトのロージー・ナンス弁護士は「初日から一律に執行されるとは限らない」と慎重に見ています。

それでも規制の射程の広さは、いずれ企業にとって大きな転換点になるとデュカン弁護士は見ています。AI活用を堂々と開示するのか、それとも表示を避けてAIを使わない仕組みや手作業に戻るのか。透明性のコストと利便性をどう天秤にかけるかが、欧州で事業を営むすべての企業に突きつけられます。

元OpenAI最高技術責任者のミラ・ムラティ氏が率いるThinking Machinesは7月31日、オープンソースの推論モデルInkling Smallを公開しました。総パラメータは2760億と、2週間前の旗艦モデルInklingの9750億から約4分の1に縮みましたが、第三者機関の知能指数は40と、Inklingの41に1点差まで迫ります。ライセンスは商用利用しやすいApache 2.0です。

性能は単に近いだけではありません。同社の計測では、コーディング能力を測るSWE-bench Verifiedで80.2%とInklingの77.6%を上回り、Terminal Bench 2.1でも64.7%対63.8%と逆転しました。一方で事実知識や一部のエージェント課題は旗艦が優位で、金融系のτ³-Bankingは15.5%とInklingの23.7%に届きません。

規模を抑えられた理由は、疎なMixture-of-Experts構成にあります。42層のデコーダーが各トークンを256の専門家のうち6つに振り分け、常時働く共有専門家2つと合わせて、1トークンあたりの実効パラメータは120億に収まります。テキスト・画像・音声を同じ表現空間で処理する設計で、推論にかける計算量も課題の難易度に応じて調整できます。

ただしSmallという名前は、あくまで旗艦との比較です。BF16版の実行には合計600GB以上のGPUメモリが必要で、同社はNVIDIA B300を4基、またはH200を8基という構成を挙げています。NVFP4に量子化すれば約180GBまで下がりますが、それでもノートPCや一般的なワークステーションでは動きません。

企業にとっては、ベンチマーク以上にライセンスが効いてきます。Apache 2.0は改変・再配布・自社製品への組み込みを広く認めるため、売上条件や利用制限を付ける独自の「オープン」ライセンス、たとえば今週重みが公開されたMoonshotのKimi K3と比べて、法務や調達の負担が軽くなります。ただし利用規約やデータ来歴の確認まで免除されるわけではありません。

同社の研究者Horace He氏はXで、Inklingの公開には大勢の手が必要だったのに対し、Inkling Smallは既存のパイプラインに小さいモデルを通すだけの定型作業に近かったと述べています。事前学習データの改良と、Inklingを教師にしたオンポリシー蒸留、2週間の強化学習を積み上げた成果です。オープンな多モーダルモデルを継続的に出す体制が整いつつある、という点こそが最大の合図かもしれません。

音声AIスタートアップのSmallest.aiは7月31日、シリーズAで1300万ドルを調達したと明らかにしました。ラウンドはSeligman Venturesが主導し、Sierra Venturesと3one4 Capitalが参加、累計調達額は2100万ドルを超えました。2024年後半に設立された同社は、人間と話しているのか機械と話しているのか判別できない音声エージェントの実現に、この資金を投じます。

同社が賭けるのは、大規模言語モデルの高速化ではなく、会話に特化した小型モデルです。創業者兼最高経営責任者のSudarshan Kamath氏は、人が話している最中に聞き手はすでに考え、話が長すぎれば口を挟むと指摘し、聞く・考える・話すを同時に行う設計を採用したと説明します。

LLMはプロンプト全体を受け取ってから思考を始めるため、テキストの会話なら許容される待ち時間も、音声では不自然に響きます。Smallest.aiのモデルは特定の話題についてリアルタイムの知能層として働き、応答の遅れをほぼゼロに抑えます。知識の範囲を超える質問が来た場合は、人間の担当者のように一度保留にしたうえで、大規模な基盤モデルに引き継ぎます。

Kamath氏は、今後のAIエージェントがリアルタイム対話用の小型音声モデルと、必要に応じて呼び出すオフラインのLLMという二層構成に移行すると見ています。同社は多様な訛りへの対応、数十言語のサポート、騒音環境での動作といった音声固有の課題に絞って開発を進めています。

既存顧客にはRingCentralやTruecallerが並び、Kamath氏はSierraやDecagonのような新興のカスタマーサポート企業も見込み客だと語ります。サポート企業にとって音声を極めることは本業から外れる作業だという読みが、その根拠です。競合は音声AI最大手のElevenLabsやCartesia、地域言語に強いSarvamなどが挙がります。

吹き替えやポッドキャストに音声AIを展開する競合とは異なり、Smallest.aiは企業向けのリアルタイム対話エージェントに事業を絞ります。Kamath氏は自社モデルでチューリングテストを破りたいと述べ、AIか人間か分からない対話の実現が同社唯一の焦点だと強調しました。

OpenAIは2026年7月31日、欧州における責任あるAIの取り組みをまとめた文書を公開しました。EU AI法が次の段階に入るのに合わせ、同社は汎用AI（GPAI）行動規範とAI生成コンテンツの透明性規範という二つのEU行動規範を支持し、安全性・セキュリティ・透明性・来歴の実務を強化してきたと説明しています。いずれも幅広い関係者の協議を経て策定された規範です。

GPAI行動規範は、汎用AIモデルの透明性と安全性、セキュリティについて共通の枠組みを定めるものです。OpenAIはこれに対し、公開前のモデル検証、主要リリース時のシステムカード公開、レッドチーミング・ネットワークを通じた外部専門家の参加、モデルの挙動方針を示すModel Specの公開といった既存の取り組みで応じるとしています。

ガバナンス面では、2023年から運用し2025年に改訂したPreparedness Frameworkが、先端AIの重大リスクを特定・評価・管理する手順を定めています。これを土台とするFrontier Governance Frameworkは、EU AI法のGPAI規範を含む新しい法的要件と自社の安全・セキュリティ実務をどう整合させるかを示すものです。両者はリスク評価、セーフガード、モデル報告、インシデント対応といった具体的な判断に落とし込まれます。

もう一方の透明性規範への対応として、同社は来歴（プロベナンス）を二つの仕組みで担保します。詳細な文脈を運ぶContent Credentials（C2PA）と、メタデータが失われても信号を残すSynthID電子透かしを組み合わせ、対象を画像に加えて音声へ広げます。テキストを含む各モダリティへの拡大も、標準やツールの成熟に合わせて進める方針です。

サイバーセキュリティでは、防御側の支援と悪用の抑止をどう両立するかが課題になります。同社はTrusted Access for Cyber（TAC）プログラムで正規の防御者に高度な機能を開放し、2026年5月に始めたEUサイバー行動計画では、EUと各国のサイバー当局、民間パートナー、重要インフラ事業者との連携を進めてきました。この方向性は、欧州委員会のサイバーセキュリティとAIに関する行動計画とも重なります。

OpenAIは、技術の進展に合わせて規則も柔軟であるべきだとし、実務的でリスクに応じた運用が欧州の競争力と繁栄につながると主張しています。顧客と開発者に向けてはモデル文書やシステムカード、安全性情報、利用ポリシー、来歴・検証ツールの手引きを提供しており、EU AI法の適用に備える企業にとっては自社の説明責任の設計を点検する材料になります。

Googleは7月31日、Geminiアプリの月次更新をまとめた7月版Gemini Dropを公式ブログで公開しました。macOSでの音声操作、ノートPCを閉じても作業を続ける「Gemini Spark」の世界展開、新しいFlash系モデルの提供開始が柱です。日常業務でGeminiを使う経営者やエンジニアにとって、操作の起点がチャット画面から手元のアプリへ広がる更新となります。

新機能の一つが、macOS向けの音声操作です。アクティブなウィンドウに話しかけるだけで、整形されたテキストを口述入力したり、選択した文章を変換したり、カーソル位置に画像を生成したりできます。アプリを切り替えずに指示を出せる点が、従来のチャット型の使い方との違いです。

「Gemini Spark」は世界のどこからでも使えるようになりました。ノートPCを閉じた後も24時間動き続けるとされ、時間のかかる調べ物や下書き作成を任せる使い方が想定されます。あわせてGemini 3.6 FlashとGemini 3.5 Flash-Liteの提供も始まり、推論能力と速度の両面が引き上げられました。

個人向けの作り込みも進みました。自分のアバターを登録しておけば、毎回写真をアップロードし直さずに画像へ自分を登場させられます。興味や好みを反映したパーソナライズ画像生成は米国の全ユーザーに開放され、Dropbox、Zillow Rentals、Viatorとの連携によって一つの指示で外部サービスをまたいだ操作もできるようになりました。

Gemini Dropは毎月まとめて新機能を届ける形式で、今回はOS常駐、エージェント、モデル更新が同時に並びました。チャット欄に質問を打ち込む道具から、作業中の画面に入り込む道具へと役割が移りつつあると言えるでしょう。業務での活用を検討するなら、macOS環境の音声操作と外部アプリ連携から試すのが現実的な入り口になります。

AIコンパニオン端末のFriendは7月30日、首から下げるAIペンダントの第2世代を発表しました。最大の変更は本体背面にスピーカーを内蔵したことで、初代のテキスト返信に加えて音声で話し返すようになります。価格は初代の129ドルから249ドルへほぼ2倍に上がり、同社のアビ・シフマン最高経営責任者はXで「Friend 2.0」と呼んでいます。

頭脳にあたるAIはOpenAIの最新モデルに更新されました。特徴的なのは、1台ごとにランダムな声と人格があらかじめ割り当てられ、ユーザーは声も名前も変更できない点です。スピーカーを収めた背面はこれまでより厚くなり、ペンダントの形状も変わりました。

収益面では本体販売に加え、月10ドルの任意サブスクリプションを用意しました。30日を超えて会話の記憶を保持したいユーザー向けの機能です。シフマン氏は初代5000台を売り切ったとしたうえで、2代目では5万台の販売を目指すと述べています。

一方で欧州連合では、GDPRが定めるデータ保護規則への対応費用が重く、販売を取りやめる可能性が高いとしています。2025年にニューヨークやロサンゼルス、シカゴで、2026年初にはパリで展開した地下鉄広告は落書きや抗議デモを招き、製品そのものより広告が注目を集めました。

シフマン氏は自社製品を「アシスタントでも恋人でもなく、相談相手や友人、神のような存在」と説明します。仕事の生産性を売りにする一般的なAI製品とは狙う市場が異なりますが、iPhone代替を掲げたHumaneのAIピンが1年足らずで事業を畳んだように、AIウェアラブルが広く普及した例はまだありません。音声という接点を得た2代目が、その壁を越えられるかが問われます。

OpenAI社長のGreg Brockman氏は2026年7月29日、記者Joanna Stern氏のYouTube番組で、同社が自社AIと対話するための複数の端末を開発していると明らかにしました。具体的な発売時期は示さず、近日中に期待してほしいと述べるにとどまりました。同氏は今後、作業の大半でタイピングから音声対話へ移ると見通しを語っています。

開発中の端末について、Brockman氏は2027年にも投入が噂されるスマートスピーカーなのか、あるいはかつて取り沙汰されたHumane AI pinのようなウェアラブル端末なのかを認めませんでした。あくまで「端末群」という表現にとどめ、形状や発売日といった詳細は今後の発表に委ねられています。

同氏は、私たちがコンピューターに向かってタイプするのではなく話しかけるようになると予測します。全員が話しかけるオフィスの問題については、防音の「くちばし」型マスクが登場し始めた例を挙げ、良い解決策ではないとしつつも製品としての需要を示していると述べました。

元Apple設計者Jony Ive氏と進める端末開発がAppleによるOpenAI提訴の影響を受けるかとの問いには、「自社の開発と技術に集中している」と反論しました。加えて同社は、ChatGPTの一時チャットをめぐるプライバシーへの懸念に対し、AIだけが個人データを確認できる検証・監査可能な保証の技術的な実現に取り組んでいます。

米Googleは、AI生成コンテンツを識別するための電子透かし技術「SynthID」が、圧縮や編集を経ても消えにくい高い耐久性を備えることを明らかにしました。OpenAIやNvidiaなど他社も導入を始めますが、透かしだけでAIによる偽情報を防げるわけではないと指摘されています。

AIコンテンツのラベル付けには、不可視の電子透かしと、C2PAのようなメタデータ方式の2つがあります。C2PAは暗号技術で改ざんを防げる一方、スクリーンショットや再保存で簡単に取り除かれてしまう弱点を抱えています。

これに対しSynthIDは、画像や動画の画素、音声の波形そのものに情報を埋め込みます。GoogleのDeepMind研究者Pushmeet Kohli氏は、圧縮やリサイズ、編集で劣化した使い古されたミームでも透かしが残るよう、耐久性の確保に多大な労力を注いだと説明します。

背景には、AI生成物の爆発的な増加があります。人類が15億枚の画像を生み出すのにカメラ発明から149年かかったのに対し、生成AIはわずか18カ月で同数に達したとされ、Googleのツールだけでも生成物は1000億件を超えました。同社はOpenAIやRunway、Nvidiaなどとの連携で透かしの普及を狙います。

ただし、透かしはすべての課題を解決するわけではありません。SynthIDに対応しないAIで作られた画像には透かしがなく、悪意ある利用者が除去を試みる可能性も残ります。AIコンテンツの真偽の見分けは、技術の普及と回避策との終わりなき攻防になりかねないのが実情です。

Googleは7月29日、macOS版のGeminiアプリに自然言語による音声操作機能を追加したと発表しました。Fnキーを長押しすると、デスクトップ上のどのウィンドウでも声で指示を出せるようになり、作業の流れを止めずに文章の作成や編集、要約を音声だけで進められます。標準では話し言葉を整った文章に変換するインテリジェント入力が有効になり、専門知識がなくても手軽に使えます。

インテリジェント入力は、単なる文字起こしにとどまりません。「えー」「あのー」といった言い淀みを自動で取り除き、話の途中での言い直しも反映したうえで、整った文章をカーソル位置に即座に差し込みます。

さらに設定からGeminiの推論機能を有効にすると、画面上の文脈を理解して複雑な作業をこなせるようになります。たとえばデスクトップ上のファイルや画像を選び、内容を要約してメールにまとめるよう音声で指示できます。画面上の文章を選んで書き換えたり、トーンを調整したりすることも可能です。

画像の生成や編集も音声で行え、デザインを参照しながら「ダークモード版を作って」といった指示にも対応します。この機能はmacOS版Geminiアプリの全ユーザーに向けて世界規模で順次提供されますが、現時点の対応言語は英語のみで、他言語への拡大は今後予定されています。

顧客との対話データからAIエージェントを育てる米新興企業Encore AIは2026年7月、シリーズAで3000万ドルを調達したと発表しました。ラウンドはイスラエルの投資会社Team8が主導し、Planvenなどのほか一部の銀行や保険会社も参加しています。同社は通話やメールなどの記録を解析し、成果につながった会話の型を学ばせることで、営業や顧客サポートを担うエージェントを構築します。

Encore AIは2022年にInsait IOとして創業し、当初は金融アドバイザー向けの推薦ソフトを手がけていました。最高経営責任者のDvir Ginzburg氏のもとで事業を広げ、いまは従業員と顧客のやり取りを分析して、どの手法が成果を生んだかを見極める基盤へと発展させています。

Ginzburg氏はこの仕組みを対話マイニングと呼びます。プラットフォームは通話録音やメール、テキストを集めてCRMと連携し、商談を段階ごとに分解して、会話のどの部分が前進に効き、どこで失敗したのかを突き止めます。得られた知見をエージェントに反映し、顧客ごとに最も効果的な進め方を学ばせる狙いです。

導入は世界で40社超の企業に広がり、その多くは金融機関だといいます。同社によると、年間経常収益（ARR）は18か月足らず前のシード調達以降で5倍超に伸びました。ただ、具体的な売上高や評価額は明らかにしていません。

もっとも、SalesforceやSAP、HubSpotといった大手CRMが同種の機能を備える余地はあり、優位の維持は容易ではありません。Ginzburg氏は、既存ベンダーが過去の会話履歴を基盤に据えるには実装全体の見直しが要ると反論します。同社は今回の資金で米国の営業体制を拡充し、大手金融機関への展開を急ぐ考えです。

米メディアThe Vergeは2026年7月28日、スマートリングが有望なAIガジェットの形になりつつあると報じました。同社記者は、スタートアップSandbarのCEOミナ・ファミ氏から、年内出荷予定の音声リング「Stream」のデモを受けました。ファミ氏は指輪を口元に近づけて親指でタッチパッドを押し、数秒話すだけで、Apple Notesへ正確な文章を音声入力してみせたのです。

Streamの本体は、マイクとバッテリー、スマホとつなぐBluetoothだけというシンプルな構成です。会議や通話を録音して要約する他社製品とは異なり、他人ではなく自分の声の記録に特化している点が特徴です。周囲に聞こえないほど小さなささやき声でも正確に転写できるモードも用意されています。

このリングには、AIアシスタントとの会話開始、メモ作成、テキストの口述筆記という三つの役割があります。現状は専用アプリ経由ですが、Sandbarは将来的にあらゆるツールと連携させ、どんな入力欄にも直接口述できる構想を描いています。デモではファームウェアを書き換え、MacとiPhoneの両方へなめらかに文字を入力してみせました。

記者がリングに注目する背景には、スマートフォンが優れた入力装置ではないという課題があります。思いつきを書き留めるだけでも、端末を取り出し、ロックを解除し、アプリを開くという手間がかかります。リングなら口元に近づけてボタンを押すだけで済み、カフェや電車内でも目立たず操作できる点が支持されています。

同様のAIリングを手がける企業は増えつつあります。Pebbleの創業者エリック・ミジコフスキー氏は「Index 01」を、別の企業は会議向けの「Vocci」を開発しており、健康リングで知られるOuraやUltrahumanが同種の機能を加える可能性もあります。多くはまだ製品化前ですが、指先こそマイクの最適な置き場所だとの見方が広がっています。

NVIDIAは7月28日、エッジAIとロボット開発向けの小型演算基盤「Jetson」を訴求する連載を公式ブログで始めました。AI特化VC「Conviction」創業者でポッドキャスト「No Priors」共同司会のSarah Guo氏が、手提げバッグに収まるJetsonを紹介する動画を通じ、性能と携帯性の両立を示しました。教室や研究室などどこでも本格的なAIやロボットを構築できる点を前面に打ち出しています。

連載の第1弾は、初めてAIロボットを作る開発者に向けた「Jetson Orin Nano Super」です。デスクトップ級の生成AIをバッグに入るサイズの開発キットで実現し、67 TOPSのAI性能を備えます。コンピュータビジョンの学習やAIエージェントの構築、エッジAIの試作など、初心者が実践的に取り組める道筋を用意しました。

開発者の着手を後押しするため、NVIDIAは「Jetson Device Skills」と「Jetson BSP Skills」も公開しました。これらはコーディングAIエージェントを活用し、現場のAIを作成・最適化・展開する作業を容易にします。学生や研究者が実機のエッジAIをより手軽に扱えるようになります。

実際の活用例も豊富です。玩具サイズの電気自動車を自律走行させる「SidewalkPilot」や、クラウドやAPIを使わず完全にオンデバイスで動く音声・映像アシスタント「Reachy Mini」などを紹介しています。オープンウェイトモデル「Mistral」を使い、初学者がゼロからロボットを組み上げる事例もあります。

NVIDIAは3部構成のライブ配信シリーズも案内し、生成AIの実行やロボットアーム制御、視覚言語モデルの応用などを学べる場を設けます。今回の連載は上位機種へと続き、翌日には産業用途向けの「Jetson AGX Orin」を取り上げる予定です。エッジでの物理AI開発を、より身近にする狙いがうかがえます。

AIエージェントとソフトウェアをつなぐオープン標準Model Context Protocol（MCP）が2026年7月28日、公開から約20カ月で最大の更新を発表しました。Linux Foundation傘下のAgentic AI Foundation（AAIF）が主導し、アーキテクチャを全面的に刷新して、大企業による本番環境での大規模導入に対応します。

今回の目玉は、完全なステートレスアーキテクチャへの移行です。従来はセッションを特定サーバーで保持する必要があり、そのサーバーが停止すると処理が失われる課題がありました。新版では標準的なロードバランサの背後でサーバーを運用でき、Kubernetesなど既存のDevOpsツールをそのまま活用できます。

一方で状態を通信で送受信するため、ペイロードは大きくなりますが、圧縮しやすく影響は小さいと保守陣は説明します。ほとんど使われていなかった一部機能は削除され、状態管理の責任は開発者側へ意図的に移されました。公式SDKが変更を吸収するため、多くの開発者にとって移行の負担は小さいとしています。

企業の信頼を得るための施策も強化されました。機能の廃止までに最低12カ月を保証する正式な廃止予告ポリシーを導入し、GoogleやMicrosoft、Amazonと協議して期間を定めています。認証面では発行者（iss）の検証を必須化し、OAuthの混同攻撃と呼ばれる脅威を未然に防ぎます。

新機能として、対話型のサーバー描画UIを提供するMCP Appsと、長時間の非同期処理を扱うMCP Tasksが正式な拡張へ昇格しました。クライアントは接続を切っても処理結果を後から取得でき、音声や動画の重い処理にも対応します。

MCPはAnthropicが2024年11月に開発し、2025年12月にAAIFへ寄贈したものです。SDKの週間ダウンロードは半年で倍増して約2.5億回に達しており、Anthropicの貢献比率は半数を下回るなど、運営はより中立的な体制へ広がっています。

米カリフォルニア州パロアルトを拠点とする音声AIスタートアップのFish Audioは7月28日、シードラウンドで5200万ドルを調達したと発表しました。ラウンドはCoreline VenturesとCapital Todayが主導し、359 CapitalやHF0など複数のVCが参加しています。より高度なモデル開発と企業向け展開の加速に充てる方針です。

同社は表現力と操作性の両立を掲げ、1万5000種類を超える自然言語制御を提供する点が特徴です。昨年のローンチ以降、オープンソース版とホスト版を合わせて800万人超が利用し、年間経常収益は2100万ドルに達しています。顧客にはHeyGenやSanasといった企業が名を連ねます。

創業は元Nvidia研究者のShijia Liao氏が、市場の合成音声に不満を抱き単一GPUで音声生成モデルを訓練しオープンソース化したことに始まります。GitHub上の「Fish Speech」リポジトリは3万1000を超えるスターを集め、直近1年で音声生成4種と音声認識1種の計5モデルを投入しました。最新の「S2.1 Pro」は有料APIのみで提供しています。

一方で、ユーザーが自分の声を提供し採用時に報酬を得る仕組みは、無断アップロードを巡る問題も招きました。一部のクリエイターが同意なく声を登録されたと訴えたためで、CEOのRissa Cao氏は削除手続きを自動化し、本人証明の提出から3分以内で対応できるようにしたと説明します。ただし第三者による無断登録そのものは依然として防げません。

投資家からは、クリエイターの信頼を前提とした同意・透明性・帰属の作り込みこそが持続的な優位性の条件だとの指摘が出ています。競合にはElevenLabsやCartesiaなどがひしめきますが、細かな制御と低コストな学習が大手との差別化につながるとの評価もあります。同社は年内に音声理解モデルを、さらに音声変換モデルの開発も進める計画です。

イスラエル発のロボット研究所Enigmaは7月27日、ステルス状態を解除し、7100万ドルのシードラウンドを完了したと発表しました。調達はIndex VenturesとRibbit Capitalが主導し、投資家のサラ・グオ氏も参加しています。同社は設立1年未満ながら、人とロボットの関わり方そのものを研究し、操作を直感的にすることを目指します。

多くのロボット企業は、明示的に学習していないタスクもこなせる基盤モデルの開発を競っています。これに対しEnigmaは、モデルの能力向上だけを追うのではなく、人間がロボットとどう関わるかを研究する点で一線を画します。この違いが、直感的なインターフェースや新しいロボットの頭脳につながると同社は期待しています。

具体策として、Enigmaは世界中の誰もがオンラインで100台超の独自ロボットを操作できる大規模実験を始めます。ロボットはイスラエルとカリフォルニア州の格納庫に置かれ、絵筆で絵を描いたり、剣で戦ったり、フラスコの液体を混ぜる簡単な化学実験を行ったりできます。ロボットアームも基盤モデルも、いずれも自社でゼロから開発したといいます。

共同創業者のジョナサン・ヤコビ氏は、ロボット操作を車の音量ノブのように直感的にしたいと語ります。食器洗いを頼むのに15分も説明が必要なら、結局は自分でやった方が早いと感じてしまう、というのが同氏の問題意識です。実験では、テキストや音声、動画の提示、タップやドラッグなど、最適な対話手段を探ります。

ヤコビ氏はマイクロソフト史上最年少の社員として知られ、共同創業者のガル・ニブ氏とはイスラエル軍の精鋭部隊「Unit 8200」で共にサイバー研究に従事した旧友です。二人はロボットの専門家ではなく、投資家はその「門外漢」ゆえの独創性を評価します。事業用途はまだ明確でないものの、同社はすでに医療・物流・娯楽分野の企業と提携を進めています。

OpenAIは7月24日、ChatGPTのデスクトップアプリを更新し、音声で対話しながらAIエージェントを操作したり、パソコン上の作業を実行できるChatGPT Voiceを追加したと発表しました。今月初めに公開した新しい音声モデル群「ChatGPT-Live」を活用し、より自然な会話で複雑な指示に応じます。従来はスマートフォン向けが中心でしたが、今回のデスクトップ対応で音声から実際の作業を進められるようになりました。

ChatGPT VoiceはChatGPT WorkとCodexの両方で利用でき、コンピュータ操作のスキルを使ってWebサイトやアプリを調べることも可能です。macOSでは「Appshots」により、alt-textを含む画面上の情報にアプリがアクセスできる点も特徴となっています。

今回のデスクトップ版はスマートフォン版よりも実行力が高く、多くの手順を含む複雑なコマンドを一度に指示でき、ChatGPTが確認を求めた際には応答することもできます。デモ動画では、開発者が新しいスレッドの作成、プルリクエストの発行、バグの根本原因の特定までを一つの指示でこなす様子が示されました。

スマートフォン版は当初、会話の滑らかさや割り込み処理の改善を売りにしていましたが、端末上で操作を実行する設計ではありませんでした。一方でユーザーは、iOSアプリからのリモートアクセスを通じてCodex内でChatGPT Voiceを使うこともできます。

競合のAnthropicも前日にClaudeの音声モードを刷新し、Opus・Sonnet・Haikuの各モデルを使ってGmailやカレンダー、Slack、Notion、Canvaなどのアプリで作業を完結できるようにしました。音声を入り口としたAIエージェントの実用化競争が、一段と加速しています。

Runway は7月23日、開発者向け基盤「Runway Dev」を通じ、画像・動画・音声の生成に最適なAIモデルを自動で選ぶ「Runway Media Router」を提供開始しました。開発者が品質・速度・費用のどれを優先するかに応じ、自社モデルと外部モデルから最適な一つを振り分ける仕組みです。同社は生成メディア専用のルーターは業界初だと説明しています。

モデルルーターは大規模言語モデル（LLM）の世界では一般的になりつつありますが、生成メディア向けは事情が異なります。最高品質のモデルを見極める作業は言語モデルより難しく、Runway は自社の制作チームが動画の動き・画像の構図・音声のリップシンクなどを評価してきた知見を「インテリジェンス層」として組み込みました。この技術は、5月に投入した対話型の制作エージェント向けに開発したものを外部開発者に転用したものです。

背景には生成メディアモデルの急増があります。新しいモデルが次々と登場し、開発者が一つひとつ性能を評価するのは困難になっています。Runway Dev では Adobe、Cloudflare、ElevenLabs、Expedia、Shutterstock、Quora などの顧客が、自社サービスに生成機能をAPI経由で直接組み込めます。

顧客の主な関心はトークン課金と品質にあると、最高製品責任者のAnthony Maggio 氏は述べます。2026年はエージェント型AIに一気に投資した企業が高額なトークン請求に直面し、コスト管理が大きな話題となりました。Runway 自身も先日、無制限プランをトークン課金制に切り替え、一部の利用者から批判を受けています。

モデルの提供元を指定する使い方も想定されています。中国製の生成メディアモデルの人気が高まる一方、トランプ政権が中国製オープンAIモデルへの制裁を検討する中で、米国製プロバイダーを優先する設定への需要が高まる可能性があると Maggio 氏は指摘します。

Runway の狙いは、断片化した競争環境で自社を「最良のオーケストレーション層」として位置づけることにあります。同社の動画モデルはかつて Google を上回り首位に立ちましたが、現在は上位20位を Google や中国の ByteDance、Alibaba が占めています。共同CEOのAnastasis Germanidis 氏は、モデル単体よりもオーケストレーションの重要性が増していると語りました。

OpenAIは、全二重音声モデル「GPT-Live」をmacOSとWindowsのChatGPTデスクトップアプリに統合し、コーディング支援のCodexとChatGPT Workを音声だけで操作できるようにしたと発表しました。開発者はタイプせず話しかけるだけで複数の作業を同時に指示でき、ハンズフリー開発が現実になります。7月8日公開のGPT-Liveを、わずか2週間で開発現場へ持ち込んだ形です。

今回の統合の核心は、リアルタイムの音声層を実行エンジンから切り離した設計にあります。GPT-Liveは「了解」といった相づちを挟みながら自然な会話を保ちつつ、重い処理はGPT-5.5などの背後の推論モデルに渡します。会話の状態を維持したまま、いつ話し、いつ間を置き、いつツールを呼ぶかを全二重エンジンが動的に判断します。

最大の実務的な価値は、CodexとChatGPT Work上での複数タスクの並列実行です。一度の音声指示で、認証バグの調査、API移行のプルリクエストのレビュー、不足する単体テストの生成を同時に走らせられます。デスクトップアプリはSlackの会話やGitHubのリポジトリ、ローカルのコードベースをまたいで作業を追跡し、デザイン案を音声でコードへ変換することもできます。

macOSでは「Appshots」と画面コンテキスト機能により、最前面のウィンドウやローカルファイル、コードベース構造を音声アシスタントが解析します。マルチフォルダ対応（ビルド26.715）やiOSからの遠隔実行にも対応し、開発者はアプリを切り替えずに進捗確認や指示の修正を行えます。OpenAIはこれを、Codexのデスクトップで音声起動を標準搭載した初の事例だと説明しています。

提供形態はプロプライエタリな商用モデルで、Plus・Pro・Business・Enterprise・Educationの有料プラン加入者に限定されます。モデルの重みや音声処理、エージェントの状態管理は完全に非公開で、自己ホストや改変はできません。音声で起動したタスクは通常のエージェント処理と同じ扱いとなり、既存のCodexやChatGPT Workの利用枠を消費します。

AIスタートアップのLingverse（旧Ling AI）は、着用型AI端末「iKairos」を発表しました。同社は2900万ドル（約43億円）を調達し、2014年に登場した社会性ロボット「Jibo」の後継を掲げます。ペンダントや衣服への装着に加え、卓上マウントに置けばJiboのように周囲を捉え、日常の瞬間をAI生成画像に変換する点が最大の特徴です。

iKairosは質問応答やタスクの代行など、既存の音声アシスタントと同等の機能をうたいます。価格は199～249ドルを想定し、追加のAI機能を提供するサブスクリプションも見込まれています。ウェアラブルと据置の両方で使え、装着者の視点と定点の双方からデータを集めることで、周囲の状況をより包括的に把握する狙いです。

発表後、公式サイトはiKairosを「AIジャーナル（日記）」と位置づけました。端末が家庭内の瞬間を捉え、一日の終わりに振り返りを生成し、記憶としてAI画像に変える仕組みです。ただWIREDは、サイト上の画像が不気味でAIスロップ（粗悪なAI生成物）に近いと指摘しています。

CEOのJiawei Gu氏はJiboの創業メンバーではないものの、経営破綻前に取締役を務めていました。LingverseはJiboの基幹特許を複数保有すると主張する一方、Jiboの知的財産権は保有しておらず、どの特許かも明かしていません。それでも同社はサイトでJiboを自社「製品」として掲載し、その遺産を前面に押し出しています。

プライバシー面では、iKairosは動画を記録せず環境の静止画を撮って後で削除し、音声も人の声を検知した時のみ記録するとしています。カメラには物理シャッターを備え、データは端末内処理か暗号化通信で扱い、AIモデルの学習には使わない方針です。市場ではApple・Amazon・Googleの新型スマートスピーカーや、OpenAIとJony Iveの家庭向け端末など競合が多く、年内の予約販売開始後にどこまで存在感を示せるかは不透明です。

ドイツのAIラボ、Black Forest Labs（BFL）は7月23日、マルチモーダル基盤モデル「FLUX 3」を発表しました。単一のプロンプトから画像や、最大20秒の音声付き動画を生成でき、同じアーキテクチャをロボットの視覚と動作にも拡張する点が特徴です。同社にとって初の公開動画生成モデルであり、まずは招待制の限定公開で提供を始めます。

BFLが強調するのは、画像・動画・音声を別々のモデルとして束ねるのではなく、単一アーキテクチャで同時に学習させた点です。同社はこれを「ビジュアル・インテリジェンス」と呼び、創作やシミュレーション、コンピュータ操作、ロボティクスを一つの能力の応用として捉えます。共同創業者でCEOのロビン・ロンバッハ氏は「画像だけを学んだモデルは画像しか生成できない」と述べ、物理世界の理解こそが説得力ある生成を生むと訴えました。

動画機能が今回の目玉です。テキストや画像からの生成に加え、キャラクターを別シーンへ引き継ぐ動画間生成、複数クリップを連結して数分の多カット映像を作る機能などを備えます。すべての動画出力に音声が付随し、20秒という長さは提供を終えたOpenAIのSoraに並ぶ水準です。

もっとも、公開されたのは暫定的な選好テストに限られます。BFLによれば初期候補モデルは10秒・720pの比較でLuma Ray 3.2に93%、Runway Gen-4.5に77%の割合で好まれた一方、最有力の対抗馬であるGoogleのGemini Omni Flashとは52%の互角でした。価格や実運用のSLA、画像モデルのベンチマークは一切示されておらず、企業は総保有コストを算定できません。

BFLは動画基盤をロボット制御へ応用する「FLUX-mimic」も公開しました。スイスのMimic Roboticsと組み、従来30時間以上かかった学習をわずか30分の実機データで特定作業に適応できるといいます。一方、オープンな重みは年内に後追いで提供する予定で、評価額32.5億ドルの同社が築いた開発者基盤をどこまで維持できるかが問われます。

AnthropicはClaudeの音声モードを刷新し、これまでHaikuのみだった対応モデルに上位のOpusとSonnetを加えたと7月23日に発表しました。新モードはテキストチャットで最後に使ったモデルを引き継ぎ、その高速版を既定で用います。従来は素早い応答に強い一方で複雑な業務には不向きでしたが、上位モデルの追加で深い問題解決にも応じられるようになります。

今回の目玉はアプリ連携です。音声モードからGmailやGoogleカレンダー、Slack、Canva、Notionなどにアクセスでき、会議枠の変更やメールの下書き、Notionでの文書作成を声だけで指示できます。Anthropicはピッチの練習や市場調査のブレインストーミングなど、長い対話を伴う実務での利用を想定しています。

この機能は数週間前に会話モデルを刷新したOpenAIとの差別化点になります。ChatGPTの音声モードは会話の自然さを高めたものの、依然として外部ツールを操作して作業を完結させることはできません。一方でClaudeはツール操作まで踏み込み、対話を成果物へ直結させます。

多言語対応も正式版へ移行しました。英語に加え、日本語やフランス語、ドイツ語、韓国語など計10言語を利用でき、言語は手動で指定します。新音声モードは全プラットフォームでベータ提供されますが、無料ユーザーはHaikuと接続アプリ1つに制限されます。

ただし今回、音声モデル自体には手を加えていません。Anthropicは採用する音声スタックの詳細を明かしておらず、OpenAIのような割り込み処理の改善といった会話品質の向上は見込みにくい点に留意が必要です。

米Amazonは2026年7月23日、AIアシスタント「Alexa Plus」の大型更新を発表しました。今回の更新では、BoschやiRobot、Whirlpoolなど複数メーカーのスマート家電と新たに連携し、利用者の要望を適切な機器へ自動的に振り分けることが可能になります。Amazonが公開した新しいAI開発者向けツールキットが基盤となり、これまで対応できなかった独自機能を持つ機器も接続しやすくなる点が特徴です。

具体例としてAmazonは、洗濯機を使う場面を挙げています。利用者が「子どものサッカーユニフォームをしっかり洗いたいが、タグには冷水洗いのみと書いてある」と話しかけると、Alexa Plusが洗濯機のコース設定を自ら操作し、最適な設定を選び出します。従来は単純な指示にとどまっていた操作が、より複雑な文脈を踏まえた対応へと進化した形です。

Alexa Plusは2026年2月に本格提供が始まった刷新版アシスタントで、複数の手順を要する依頼や音声でのルーティン作成に対応してきました。ただし連携先はTicketmasterやUber、OpenTableなど一部のサービスに限られており、対応範囲の拡大が課題となっていました。

この課題に対しAmazonは、AIモデルを外部システムと接続する業界標準「Model Context Protocol（MCP）」を採用します。これによりCanvaやHeadspace、Priceline、Lyftなど多くの企業が年内に連携を始める見込みです。例えばPricelineでは、Alexa Plus上でホテルを比較して旅行を予約できるようになります。

さらにPricelineやFandango、Taskrabbitなどは、Amazon Walletを通じた決済にも対応する予定です。音声アシスタントが情報の案内から予約、支払いまでを一貫して担う流れが強まっており、Amazonは開発者の参入障壁を下げることで対応サービスの裾野を一気に広げる狙いです。

英国のAIスタートアップSynthesiaは7月22日、従業員がAIアバターと難しい会話を練習できる対話型研修ツール「Roleplay Sessions」を発表しました。営業の売り込みや人事評価、顧客対応といった高難度の場面を想定し、アバターが反論を交えて応答したうえで、ルーブリックに基づき受講者を採点します。同社は研修動画の生成にとどまらず、学習成果を証明する事業へと軸足を移します。

今回の投入は、企業がAI投資の費用対効果を厳しく問い始めた局面と重なります。Synthesiaは学習研究のメタ分析を引き、自社の動画製品を含む多くの企業研修が知識提供や実演にとどまり、実際の行動変容に届いていないと指摘します。リパルベリCEOは「動画は文書より効果的だが、多くの物事は読むより実践で最もよく学べる」と述べました。

Roleplayは同社をより優位な立場に押し上げます。アバターと音声の技術は自社開発ですが、中核の推論はOpenAIに依存しており、そこにルーブリックや成績データ、分析機能を重ねることで、Synthesiaは人材管理プラットフォームへと位置づけを変えます。経営層は営業チーム全体に練習させることで、組織の力量を細かく把握できるようになります。

すでに欧州の時価総額上位3社の1社やフォーチュン100の上位5社、世界有数の人材紹介企業などが本格導入しています。用途の中心は営業とリーダーシップのソフトスキル研修です。現在は企業向けですが、推論コストの低下に伴い、数カ月内に中小企業や個人、教育機関へ広げる計画で、面接や採用選考への機能拡張も予定しています。

Samsung（サムスン電子）は7月22日、ロンドンで開いた新製品発表会「Galaxy Unpacked 2026」で、折りたたみスマートフォンの新機種「Galaxy Z Fold8 Ultra」「Fold8」「Flip8」を発表しました。Googleと共同でAIアシスタント「Gemini」の新機能群「Gemini Intelligence」を初めて搭載し、秋に発売するAIスマートグラスの新デザインも公開しました。折りたたみ端末とウェアラブルの両輪で、生成AIを日常の操作へ組み込む戦略を鮮明にしました。

新機種の中核はタスク自動化です。Geminiが対応アプリを従来の少数から40以上へ拡大し、配車やテイクアウト、レストラン予約、旅行手配、チケット購入といった用件を代行します。画面の内容や複雑な画像を読み取って指示として解釈でき、処理中は別のアプリを操作したり、端末を閉じてバックグラウンドで完了を待つこともできます。

研究や資料作成に向けては、「NotebookLM」を改称した「Gemini Notebook」を新型折りたたみ機にプリインストールしました。Fold8シリーズの大画面では、写真や文書、音声メモを左右に並べて取り込み、スライドや動画、クイズ、ポッドキャストを自動生成できます。3機種には「Google AI Pro」の6カ月無料トライアルが付属します。

Samsungは、Googleおよび眼鏡ブランドのGentle Monster、Warby Parkerと共同開発したAIスマートグラスの新型2種を追加し、計4種のデザインを公開しました。QualcommのSnapdragon AR1 Gen 1を採用し、連続9時間の駆動と付属ケースによる7回分の追加充電に対応します。GeminiとSamsungのBixbyを選べ、メッセージ要約や翻訳、経路案内、カメラ映像の解析を利用できます。

一方、カメラ内蔵に伴うプライバシー懸念も残ります。担当のJaein Choi氏は、録画中を示すLEDが覆われると録画を止める仕組みを備えると説明し、Metaと同じ課題を「業界共通の問題」と位置づけました。あわせてGoogleは、Android 17にiPhoneからのデータを無線で移す純正の移行機能を組み込み、写真や連絡先に加えパスワードやeSIMも引き継げるようにしました。

OpenAIは2026年7月22日、企業が音声とチャットでAIエージェントを本番運用するための製品「Presence」を発表しました。質問応答や社内システムの操作、承認済みアクションの実行、必要時の人間への引き継ぎを、企業が定めたポリシーの下で担います。限定的な一般提供として即日利用でき、導入はOpenAIの常駐技術者(FDE)とシステムインテグレーターが主導し、セルフサービスでは使えません。

Presenceは、ポリシーやガードレール、承認済みアクション、シミュレーション、評価ツール、Codexによる改善プロセスを一つにまとめた運用基盤です。各導入は請求対応や保険請求、IT依頼など特定の業務から始まり、エージェントにはその業務に必要な知識とシステムアクセスだけを与えます。企業側が、自律的に実行できる範囲、承認が必要な操作、人間が引き継ぐ場面を決めます。

すでにOpenAIは英語の電話サポート(1-888-GPT-0090)でPresenceを稼働させ、問い合わせの75%を人手を介さず解決していると説明します。Codexを使った改善ループにより、10日間で人間への引き継ぎを15ポイント削減したとしています。ただしこれらは自社公表の数値で、第三者による検証は行われていません。

導入を検討する企業も広がっています。BBVAはメキシコで日常的な銀行業務の音声対応を、ソフトバンクは自然な日本語での顧客対応を、オーストラリアの保険大手IAGは悪天候などの需要増時の支援を、それぞれ試しています。中核エージェントはOpenAIのモデルを使いますが、ガードレールやツールには外部モデルをAPI経由で接続できます。

Presenceは、技術者を顧客に常駐させて導入するPalantir型の手法を取り入れ、モデル提供が中心だったOpenAIの企業戦略を一歩進めます。競合のAnthropicも1週間前に常駐型のコンサル部門Odeを立ち上げており、モデル単体では足りない導入支援の需要が背景にあります。ただし発表は社内評価中のモデルが封じ込めを破った情報開示の翌日にあたり、価格や契約条件、サービス水準も未公開で、顧客が総コストとリスクを見極める材料はなお不足しています。

米カリフォルニア州パロアルトのスタートアップInflection AIは7月22日、消費者市場への復帰を発表しました。公開研究部門「Inflection AI Labs」と、利用者の人生の局面に適応する実験的製品「Pi Journeys」を投入し、AI競争の次の主戦場は知能の高さではなく人と人との関係性だとする独自の主張を打ち出しました。

CEOのショーン・ホワイト氏は、現在のAIアシスタントは質問すれば答えて終わる取引型にとどまると指摘します。同社は知能の進化をIQ、感情知能、エージェント知能に続く第4段階として、周囲の人間関係まで理解する関係性知能を掲げ、ここに社運を賭ける構えです。

Pi Journeysは利用開始時に介護者や子育て中といった人生の局面を尋ね、身近な人々を軸にした記憶を構築します。友人への連絡を促したり、家族の介護に関する前回の会話を思い出させたりと、能動的に働きかける記憶の補助装置として機能します。同時に公開した消費者AI調査では、平均的な利用者が1日に約2種類のAIを使い分けている実態も示しました。

背景には2024年3月のマイクロソフトによる異例の引き抜きがあります。同社は共同創業者兼CEOのムスタファ・スレイマン氏や主任研究者、約70人の従業員の大半を採用し、技術のライセンス供与を主目的にInflection AIへ約6億5000万ドルを支払いました。2023年に総額15億ドル超を調達しPiの1日の利用者が100万人を超えた同社は、事実上その中核を失いました。

ホワイト氏はその後、企業向けへ軸足を移して3社を買収しましたが、今回は消費者を軸に両輪を橋渡しする戦略だと説明します。同氏は約半年後には企業も社内の人間関係を重視し始めると予測し、消費者製品を企業向け技術の実験場と位置づけます。巨額を投じる競合との差は大きい一方、大手が手薄なモバイル・音声中心の日常利用に照準を定めた点に勝機を見いだしています。

OpenAIは2026年7月22日、AP通信やルモンドなど世界の報道機関が同社のAI技術をどう活用しているかをまとめた事例集を公開しました。取材・報道の強化、読者体験の刷新、経営・業務の効率化という3分野で、AIが編集・製品・事業の各部門に組み込まれつつあると説明しています。あわせて、非営利の報道支援団体American Journalism Projectへの支援を更新し、38州の数十媒体を対象に含めると明らかにしました。

取材面では、AP通信が連邦最高裁の膨大な申立書を検索可能な構造データに変換し、画像・動画の検証や夜間ニュースの監視にも活用しています。フィラデルフィア・インクワイアラーは自治体や教育委員会の公開会議の記録を要約・採点するツール「Scribe」を開発し、ニュース価値の高い動きを見つけやすくしました。Axiosは情報開示請求文書を練り上げる専用GPTなど、複数の独自GPTを日常業務に組み込んでいます。

読者体験の面では、ルモンドが2025年に全記事へ音声を付与し、公開直後から記事を聴けるようにしました。ドイツのBILDの対話アシスタント「Hey_」は2億5000万件を超える読者の質問に答え、日常的な相談相手へと発展しています。The Atlanticは登場人物ごとにChatGPTのエージェントを用意した対話型の推理ゲームを公開し、Eaterは20年分の飲食評を会話で探せる検索体験を始めました。

経営・業務では、シアトル・タイムズがChatGPT Enterpriseを使った営業見込み客の調査ツールを開発し、作業時間を数時間から数分へ短縮して新規受注につなげました。News CorpはMCP（Model Context Protocol）で自社データ基盤に安全に接続する「Knowledge Agents」を開発しています。OpenAIは学びを共有する「OpenAI Academy for News Organizations」も立ち上げ、3年以上続く報道業界との連携をさらに進める考えです。

Elon Musk氏率いるXは7月20日、Android版アプリを全面的に再構築し、更新版を公開しました。iOS版に比べ品質が劣っていたAndroid版をゼロから作り直したもので、読み込みやスクロール、通知などの動作が改善されたと同社は説明しています。開発には約1年を要しました。

プロダクト責任者のNikita Bier氏は昨年8月、Android向けの「ドリームチーム」を編成すると表明していました。今回の公開にあたり同氏は、この取り組みを「同社史上最大級のエンジニアリングプロジェクト」と位置づけ、単なる更新ではなくゼロからの構築だったと強調しています。

Bier氏は新アプリについて「より速く、滑らかで、信頼性が高い」と述べ、「新機能を高速で追加できる基盤になる」と説明しました。Xは近年、決済のX MoneyやチャットのX Chatなど新機能を相次いで投入しており、今回の刷新はその開発を加速させる狙いがあります。

今回の公開は、Androidが主流のグローバル市場での利用者獲得にもつながる可能性があります。昨年にはAndroid版の不具合が深刻で、リンクを開いても投稿を読み込めない状態だった時期もあり、放置されてきた海外ユーザーの呼び戻しが期待されます。

一方でBier氏は、まだ改善すべき点が残ると認めています。旧型Android端末での性能向上や、音声機能Spacesへの対応は準備中で、動画編集機能やcashtags、カスタムタイムラインなども順次追加される予定です。既存ユーザーはPlay Storeからの更新で新アプリを入手できます。

Nvidiaのジェンセン・フアン最高経営責任者は7月15日と16日の2日間に東京を訪れ、日本政府と産業界を巻き込む国家AI基盤の構築で合意しました。政府は国産AI開発プロジェクト「Noetra」に5年で最大1兆円を投じ、その計算基盤をNvidiaの次世代半導体が担います。フアン氏はAIの次の主戦場を工場の現場と位置づけ、日本の製造業をその中心に据えました。

中核となるNoetraには、ソフトバンク、ソニー、NEC、ホンダを軸に国内約44社が集まりました。工場や車両、ロボットを動かすフィジカルAIの基盤モデルを自国で持ち、米国や中国のAIに頼らない体制をつくる狙いです。開発は3段階で進み、2026年度に日本語に強い推論モデル、2028年に文章・画像・映像・音声を扱うモデル、2030年にロボットを動かす「実世界ネイティブAI」を計画しています。

その計算資源を支えるのが、Nvidiaが「世界初の国家AIインフラ」と位置づけるVera Rubin AI工場です。Vera CPUを1万3750基、Rubin GPUを2万7500基搭載し、消費電力は140メガワット規模で、2028年の稼働を見込みます。数兆パラメータ級のモデル学習は、この拠点が担う想定です。

ロボット分野では、ファナック、安川電機、川崎重工、富士通、日立、NEC、ソニー、ソフトバンク、クボタなどがNvidiaのCosmosモデル採用を表明しました。東京では、Jetson Thorチップ上で動く「Cosmos 3 Edge」が公開され、機械そのものにモデルを組み込む道が開かれています。ホンダの研究部門やオムロンはすでに開発に着手しました。

トヨタ自動車は次世代車でNvidiaのDriveプラットフォームを採用済みで、今回はシミュレーションによる生産ラインの設計や交通状況を読む仕組みにも適用範囲を広げます。ただし車両側は運転者を前提とする高度運転支援にとどめ、WaymoやTeslaより慎重な路線を選んでいます。

背景にあるのは労働力の減少と主権の問題です。日本は2040年までに18分野で1000万台のAI搭載ロボットを普及させ、官民で650億ドルを投じ、約20兆円規模とされる世界市場の3割超を狙います。高市政権はAIと半導体を成長戦略の柱に据えていますが、その独立への挑戦は当面、米国製の半導体の上で走ることになります。

OpenAIは7月16日、10代の利用者を守るための安全対策を強化すると発表しました。同社によると、ChatGPTを使うティーンの9割近くが週内に学習や情報収集、スキル習得に活用しており、幅広いアクセスと年齢に応じた保護の両立を目指します。今回は年齢推定、保護者管理、学習支援の三つを柱に据えています。

システムが利用者を18歳未満と推定した場合、自動で年齢に適した体験へ切り替え、暴力や自傷、危険な流行の挑戦、不健全な体型情報などへの露出を抑えます。長時間の利用には休憩通知を頻繁に表示し、健全な習慣づくりを促します。保護者は静音時間の設定や音声モードの停止に加え、利用規約違反でアカウントが停止された場合の通知も受け取れるようになります。

学習面では、教師や学習科学の専門家と設計した学習モードを、保護者が連携アカウントから直接有効化できるようにしました。有効時は新しいチャットを始めるたびに既定で作動し、答えを与えるのではなく段階的な問いかけで理解を深めます。対話型の数学・理科体験も250超の新トピックへ広がり、週1800万人が利用しています。

同社はこうした取り組みを外部の専門家や団体と連携して進めています。オンライン暴力防止のMoonshotや米国心理学会などと協力するほか、今年はFOSI（家庭オンライン安全協会）に加盟しました。さらに専門のAI安全機関を通じた若者向けの世界標準づくりを提唱し、方針やツールのオープンソース化も進める考えです。

インドの中古車大手Cars24は7月16日、OpenAIの技術を使い顧客対応の音声・チャットエージェントを構築したと明らかにしました。同社はインドを中心にUAEやオーストラリアで事業を展開しており、AIエージェントが月100万分を超える対話を処理し、購入・売却・与信・アフターサービスまでの全行程を支えています。手作業と規制が多い市場で、人員を増やさずに一貫した体験をどう提供するかが課題でした。

導入効果は数字にも表れています。サポート解決率は50%向上し、主要業務の処理時間は80%短縮しました。買い手が電話をかけると、AIが予算や家族構成、通勤事情を聞き取り、在庫から車を推奨して試乗予約や与信相談まで対応します。試乗の前後にも連絡を入れ、条件変更に応じた提案や購入意思の確認を自動で行います。

売り手側でも同様に、車両情報の収集や査定予約、リマインド送信を担います。特に注目されるのが、これまで10日ほどで離脱していた見込み客への再アプローチで、失注リードの12%を再獲得しました。価格が折り合う条件が整った段階で顧客を営業導線へ呼び戻す仕組みです。

取り組みは顧客接点にとどまりません。同社はChatGPT EnterpriseとCodexを中枢部門の約600人に展開し、日次利用率は85〜90%に達しています。プロダクトマネージャーはCodexでチケットを作成し、財務部門は投資家向け資料の作成や購買申請の異常検知・自動承認に活用します。エンジニアリング以外への広がりが、全社の働き方を変えつつあると同社は説明しています。

Googleは7月16日、動画作成ツール「Google Vids」に2つの新機能を追加したと発表しました。1つはマルチモーダルAI「Gemini Omni」で、文章と参照画像から高品質な動画を生成できます。もう1つは個人アバター機能で、自撮り写真と短い音声録音をアップロードするだけで、自分そっくりの姿と声を持つデジタルアバターを作成し、カメラ撮影なしで動画に出演できます。

Gemini Omniは、自然言語のプロンプトに写真やラフスケッチなどの画像を組み合わせ、イメージに沿った動画を生成します。スマートフォンで撮影した映像の背景差し替えや照明修正、エフェクト追加も、話しかけるような指示で行えます。さらに段階的な編集に対応し、最初からやり直すことなく修正を重ねられる点が特徴です。

個人アバターは、テキストを入力するだけでアバターが本人に代わってメッセージを読み上げます。両機能はGoogle AI Pro・Ultraの加入者と、Google Workspaceの法人顧客が利用できます。ただしアバターの利用は18歳以上かつ特定地域のユーザーに限られ、アカウント名義人本人の容姿にひも付けられます。

生成された動画には、AI製であることを検証できる不可視の電子透かし「SynthID」が埋め込まれます。今回の刷新で、業務用プレゼン支援ツールだったVidsは総合的な動画制作プラットフォームへと領域を広げ、HeyGenやSynthesiaといったAIアバター系サービスとの競合に近づきます。すでに撤退したOpenAIの「Sora」が担っていた領域に、Googleが本格参入する形です。

米メディアThe Vergeは2026年7月、米国の警察向けにAI製品を売り込む一大商戦の実態を報じました。今年5月にテキサス州で開かれた国際警察長協会（IACP）の技術会議では、顔認証カメラや自動ナンバープレート読み取り装置、報告書作成ツールなど多彩なAI製品が並びました。業界は日常業務の自動化をうたい、警察の意思決定そのものがアルゴリズムに委ねられつつあります。

競争の中心にあるのが、警察が集める膨大なデータを処理するリアルタイム犯罪センター（RTCC）です。新興企業ForceMetricsの「Velocity」に対し、AxonとMotorolaの二大企業がデータ収集機器からRTCCまでを一括提供し、市場の寡占を進めています。Axonは他社の入札を避ける単一供給契約を武器に、製品を次々と売り込んでいます。

中でも注目は報告書作成AIです。警察官は勤務時間の約40%を報告書作成に費やすとされ、AxonのChatGPT改良版ツール「Draft One」はこの負担軽減をうたいます。同社のAI製品売上高は前年同期比で700%増と急伸し、AIサブスクの契約数も140%伸びました。

一方で懸念も根強く残ります。Draft Oneは幻覚（ハルシネーション）が起きないとされますが、ユタ州では背景音声を誤認識し警官が「カエルに変身した」と記述する誤りが起きました。人間の報告書と異なりAIの「ブラックボックス」は法廷で反対尋問にかけられず、説明責任や透明性の低下を専門家は警告しています。

過去の予測型警備（PredPol等）は、偏った犯罪データを学習し低所得層や有色人種の地域への偏りを助長した教訓があります。数学的な客観性を装いながら過去の差別を再生産する危険があり、AIの本格導入がこの構造を繰り返す恐れが指摘されています。

元OpenAI最高技術責任者のMira Murati氏が率いるThinking Machinesは7月15日、同社初となる基盤モデルInklingを公開しました。誰でも重みをダウンロードして改変できるオープンウェイト方式で、商用利用に寛容なApache 2.0ライセンスを採用しています。企業が自社データで調整して使うことを前提に据え、大手が売る画一的なモデルへの対抗軸を打ち出しました。

Inklingは総パラメータ9750億のMixture-of-Experts構成ですが、実際に稼働するのは約410億に絞られ、大規模ながら高速で安価に動きます。テキスト・画像・音声・動画の45兆トークンで一から学習したネイティブマルチモーダルモデルで、文脈長は100万トークンに達します。

最大の特徴は、推論にかける計算量を0.2から0.99まで自在に調整できる思考努力機構です。単純な処理では消費トークンを抑えて低コストに、複雑な課題では計算を厚くするといった使い分けができます。強化学習の過程では、モデルが自ら推論の文法的な冗長性を削ぎ落とす「思考の凝縮」と呼ばれる現象も観測されました。

ベンチマークでは最上位を狙わず、幅広い用途で安定した性能を出す設計です。SWE-bench Verifiedで77.6%を記録し米NvidiaのNemotron 3を上回る一方、コーディングや高度な推論では中国のGLM 5.2やDeepSeek V4 Pro、クローズドのClaude Fable 5などに一歩譲ります。同社もInklingを「現時点で最強のモデルではない」と明言しています。

事業面では、収益源をモデル本体ではなく微調整プラットフォームTinkerに置く戦略です。重みが公開される以上、誰がどこで動かしても同社に課金義務は生じないためです。また政治的に微妙な話題にも直接答えるよう学習させた検閲耐性も、差別化要素として打ち出しています。

同社は2025年にMurati氏らが設立し、創業から約9カ月でこの規模のモデルを出荷した点を強調しています。ただ初期の学習データ生成にはMoonshot AIのKimi K2.5など他社のオープンモデルを一部利用しており、次モデルでは完全に自己完結させる方針です。

サンフランシスコの音声AIスタートアップRimeは7月15日、企業の電話対応を担う音声AIモデルの開発に向け、2400万ドルのシリーズAラウンドを実施したと発表しました。ラウンドはM13ベンチャーズが主導し、Twilio VenturesやUnusual Venturesなど既存投資家も参加。同社は昨年5月にシード資金550万ドルを調達していました。

Rimeは2022年、スタンフォード大の元博士課程学生Lily Clifford氏、元Amazon AlexaエンジニアのBrooke Larson氏、スタンフォードのエンジニアAres Geovanos氏が創業しました。営業やカスタマーサポートの通話を企業から請け負う音声AI市場は、ElevenLabsやDeepgram、Vapiなど競合がひしめく激戦区です。