音声（マルチモーダル）に関するニュース一覧

インドのAIスタートアップSarvamは6月15日、評価額15億ドルで総額2億3400万ドルを調達し、同国の新たなAIユニコーンになったと発表しました。出資はインド複合企業HCLグループのIT子会社HCLTechが1億5000万ドルを拠出して主導し、Bessemer Venture Partnersや既存株主のKhosla Ventures、Peak XV Partnersも参加しました。Series Bラウンドでは総額3億ドルの調達を目指しています。

今回の調達は、Sarvamが2023年にシード・Series Aで4100万ドルを集めてから2年以上を経たものです。同社は今年初めに300億および1050億パラメータのオープンソースモデルを公開しており、モデル開発から推論基盤、企業向けアプリまでを一貫して手掛けるフルスタックAI企業を目指しています。製品は銀行・保険・行政・防衛などの分野で導入が進んでいます。

背景には、各国・各企業が高度なAIと計算基盤へのアクセスを自前で確保しようとする主権AIへの動きがあります。OpenAIとAnthropicはいずれもインドを米国に次ぐ第2の市場と位置づけますが、インドは巨大な利用者基盤を持つ一方で、高い計算コストと資金調達の難しさから、最先端モデルを自前で開発する有力企業はほとんど育っていませんでした。

AI主権をめぐる議論は先週、Anthropicが米政府の指示で外国人による最新モデルFable 5とMythos 5の利用を停止したことで、改めて緊急性を帯びました。最先端AIへのアクセスが少数の海外プロバイダーに集中している現状が浮き彫りになり、Sarvamのような国産基盤モデルへの期待が高まっています。

Sarvamは今回の資金で、エージェント・コーディング・サイバーセキュリティ向けの次世代モデル研究を進め、計算基盤の拡充も図る方針です。同社の対話AIは現在1日200万件超のやり取りを処理し、推論基盤は日約1000万件のAPI呼び出しをさばいています。音声モデルは月50万時間超の音声を文字起こししています。

導入規模も拡大しています。多言語音声エージェントはインド農業省向けに1700万人の農家からデータを収集し、ある大手保険会社の全国キャンペーンでは4500万人の契約更新を支援しました。創業者はNandan Nilekani氏が支援するIIT MadrasのAI4Bharat出身のVivek Raghavan氏とPratyush Kumar氏で、技術を国内に広く普及させる方針を掲げています。

オープンソースのAIエージェント基盤「NanoClaw」を手がける NanoCo AI は2026年6月12日、ソフトウェア供給網管理大手の JFrog と提携し、自律型エージェントによる悪性コードのダウンロードを防ぐ新たなセキュリティ統合を発表しました。両社はこれを、AI環境を守る自動化された免疫システムと位置づけています。即日利用可能で、エージェントは JFrog の検証済みレジストリにのみ接続されます。

背景には、自律型エージェントが人間の監督なしに機能拡張のためパッケージを勝手に導入する、急速に広がる盲点があります。NanoClaw 開発者で NanoCo AI の共同創業者ガブリエル・コーエン氏は、音声ファイルを処理できないエージェントが自ら必要なパッケージを探して導入する例を挙げ、こうした動的な自己改善がエージェントを強力にする一方、供給網攻撃に対して極めて脆弱にすると説明します。

技術面では、NanoClaw エージェントのパッケージ要求やCLIツール、MCP（モデルコンテキストプロトコル）サーバーへの要求を、すべて JFrog のレジストリ経由に限定します。たとえば脆弱性のある Axios の旧版を取得しようとすると、レジストリが要求を403のセキュリティポリシーで遮断します。さらにエージェントに脆弱性を通知し、承認済みの安全な版を自動的に導入させる修正ループを生み出す点が特徴です。

企業にとっては、コンプライアンス上の大きな課題の解決につながります。JFrog の最高戦略責任者ガル・マーダー氏は、どのエージェントが誰によって動き、何のパッケージやスキル、MCPを使っているかを追跡する記録の仕組みが必要だと指摘します。統合は、自動化されたシステムが何にアクセスできるかを厳格に統制する信頼の層を提供します。

提供形態は二本立てです。オープンソース利用者には完全に無償で、検証済みの成果物やツール、スキルへのアクセスが与えられ、依存関係ごとの手動承認に追われずに済みます。一方、企業利用者はエージェントを自社の社内 JFrog レジストリに向けることで、自社の商用ライセンスや内部セキュリティ方針、統制基準に沿った運用を実現します。

両社の発想の根底には、ある現実があります。AIにすべてのゼロデイ脆弱性を完璧に見分けるよう学習させることはできない、という認識です。だからこそ、エージェントが脆弱性に到達できない環境そのものを構築するという発想が、この提携の核心にあります。

フランスのAI企業Mistralが、約30億ユーロ（約35億ドル）の資金調達に向けて初期段階の協議に入ったと、Bloombergが6月12日に匿名筋を引用して報じました。この調達が成立すれば、企業評価額は約200億ユーロ（約231億ドル）となり、昨年9月のシリーズCで得た117億ユーロからほぼ倍増する計算です。なぜ今この規模なのか、その背景に欧州の事情があります。

Mistralは2023年に「フロンティアAIをすべての人の手に」という理念を掲げて創業した、欧州を代表するAIスタートアップの一つです。米国の競合と比べてオープンな開発方針を取り、一部の基盤的な大規模言語モデルをオープンウェイトで提供し、誰でも自由にカスタマイズできるようにしています。一方で、プログラミングや音声合成、文字認識といった用途に特化したクローズドモデルも展開しています。

近年、欧州各国が米国製テクノロジーへの依存を見直す動きを強めるなか、Mistralは親しみやすく「主権的」で国産の代替手段として自らを位置づけてきました。パリ近郊にデータセンターを建設中で、フランス軍やルクセンブルク政府、欧州の主要企業数社とも提携を進めています。

ただし、Mistralがこれまでに調達した資金はPitchBookによれば約40億ドルにとどまります。これは米国の競合であるOpenAI（1860億ドル）やAnthropic（1612.5億ドル）が集めた額のごく一部にすぎません。評価額の差も大きく、収益やモデルの普及、企業需要の面で米国勢が先行している現状を映しています。

今回の報道について、Mistralは取材に対し即座の回答を控えました。経営者やエンジニアにとって、欧州発の主権AIがどこまで米国勢との差を縮められるかは、今後の調達と事業展開を占う重要な指標となりそうです。

アップルが2026年6月に提供を始めた刷新版のAIアシスタントSiriが、初期の利用者から高い評価を得ています。米メディアThe Vergeのポッドキャストは、長年「タイマーすら満足に設定できない」と酷評されてきたSiriが、今回ようやく多くの作業を確実にこなすようになったと伝えました。最先端という派手さはないものの、実際に役立つ点が転換点になり得ると指摘しています。

注目を集めるのは、その実用性です。記事によると、新しいSiriには目新しさを感じさせる要素は少ない一方で、日常的な指示の大半をきちんと処理できる完成度に達しました。iPhone標準の音声アシスタントが十分使える水準になったことは、利用者だけでなくAI業界全体にも影響を与えるとみています。

もう一つの特徴が、あえて媚びないという設計思想です。ソフトウェア責任者のクレイグ・フェデリギ氏はインタビューで、新SiriはオープンAIやグーグルなどのチャットボットのように過度にへつらう振る舞いをしないと明言しました。同氏は、既存のチャットボットの多くが利用者を引き込む engagement を重視し、個人情報を引き出して関係構築の材料にする傾向があると批判しています。

アップルはこれと正反対の方針を取りました。フェデリギ氏は、Siriは「物事を片付け、世界を学ぶ手助けをするためにいる」存在だと説明し、利用者が恋愛相手として接しようとしても「それは私の役割ではない」と応じる設計だと述べました。同社は人を依存させるのではなく、課題解決に徹する助手像を打ち出しています。

このインタビューにはマーケティング責任者のグレッグ・ジョズウィアック氏も同席し、プライバシーや新たな子ども保護機能など幅広い話題に及びました。実用性と節度ある対話姿勢を両立させたSiriが、AIアシスタント競争でどこまで支持を広げるかが今後の焦点となりそうです。

Googleは2026年6月、検索サービスで利用される画像・音声・動画データの保存方法を変更すると発表しました。新たに「Search Services History」という設定を導入し、Google Lensで検索した画像、リアルタイム音声検索機能Search Liveの録音、Google翻訳に入力された音声などを保存対象とします。保存データはAIモデルの開発・改善を含むサービス向上に活用されます。

この設定はこれまでの「ウェブとアプリのアクティビティ」から独立した項目として新設されます。従来は検索関連のデータ保存が同一設定にまとめられていましたが、今後は検索サービス履歴とパーソナライズ推薦がそれぞれ個別の設定として管理されるようになります。

ユーザーはSearch Services History設定をオフにし、「Save Media」オプションを無効化することで、これらのデータ保存を拒否できます。すでにウェブとアプリのアクティビティで検索履歴の保存をブロックしていたユーザーについては、移行後も自動的にオフの状態が維持されます。

新設定は今後数か月かけて順次展開される予定です。Googleは広告のパーソナライズにもこのデータを活用する方針ですが、「Personalized Recommendations」設定で個別に制御可能としています。AI活用が加速するなか、ユーザーデータの収集範囲拡大とプライバシー保護のバランスが改めて問われる動きです。

Googleは2026年6月9日、リアルタイム音声翻訳モデル「Gemini 3.5 Live Translate」を発表しました。このモデルは70以上の言語を自動検出し、話者の抑揚・ペース・ピッチを保持したまま自然な音声翻訳を生成します。従来のターン制翻訳とは異なり、話者の発話中に連続的に翻訳を出力し、数秒の遅延で追従する仕組みです。

技術面では、翻訳品質を高めるための文脈待機と即時翻訳のバランスを自動調整する点が特徴です。Google I/Oで発表された3.5ファミリーの一部として位置づけられ、Flash版に続く音声特化モデルとなります。背景雑音への耐性も備えており、騒がしい環境でも安定した翻訳を提供します。

展開先は多岐にわたります。開発者向けにはGemini Live APIとGoogle AI Studioでパブリックプレビューを開始しました。企業向けにはGoogle Meetでの音声翻訳として今月中にプライベートプレビューを提供し、対応言語を従来の5言語から70以上へ、言語の組み合わせを2000以上へと大幅に拡大します。

一般ユーザー向けには、AndroidとiOSのGoogle翻訳アプリでグローバルに展開を開始しました。Android版では新たに「リスニングモード」を追加し、イヤホンなしでも電話のように耳に当てるだけで翻訳音声を聞ける機能を実装しています。

実用面では、東南アジアの配車サービス大手Grabが、ドライバーと乗客間の多言語コミュニケーションにこのモデルを試験導入しています。Grabでは月間1000万件以上の音声通話がアプリ経由で行われており、大規模な実地検証の場となっています。生成されるすべての翻訳音声にはSynthIDによる電子透かしが埋め込まれ、AI生成コンテンツの検出可能性を確保しています。

Googleの学習・サステナビリティ担当チーフテクノロジストであるBen Gomes氏が来日し、東京大学の藤井輝夫総長と学生に向けた対話イベントを開催しました。テーマはAI時代における学びの未来で、「本物の学び」の本質と、変化する市場で求められる人間のスキルについて議論が行われました。同社のホワイトペーパー「AI and the Future of Learning」の知見も共有されています。

Gomes氏は、AIが学びのショートカットになるという懸念に対し、AIは好奇心を増幅するツールとして使うべきだと強調しました。真の学びには自ら挑戦し脳を鍛える過程が不可欠であり、AIに答えを求めるだけでは学習にならないと指摘しています。AI時代においては、答えそのものよりも「どのような問いを立てるか」が重要になるという考えを示しました。

教師がAIに置き換えられるかという問いに対しては、明確に否定しました。むしろ教師の存在はこれまで以上に重要になると述べています。Googleの調査では、AIの活用により教師が事務作業で週最大10時間を節約できることが示されており、その時間を生徒との直接的な対話や動機づけに充てることが可能になります。

また、AIの個別指導機能が教育格差の解消に貢献できると説明しました。学習の進度に差がある環境でも、AIが個々の誤解を把握して支援したり、テキストを音声に変換するなどのマルチモーダルな学習オプションを提供できます。GoogleはLearnLMやGeminiといったAIモデルの開発を通じ、教育プロセスを支援する設計を進めています。

さらにGoogleは、東京大学と共同で日本の大学生を対象にしたAI学習効果の実証研究を開始すると発表しました。AIを活用した学習がどのような場面で最も効果的か、また改善が必要な領域はどこかについて、学術的な知見を得ることが目的です。

ServiceNow AIの研究チームは2026年6月9日、コードスイッチ（会話中の言語切替）に対する主要音声認識（ASR）システムの性能を体系的に評価するベンチマークを公開しました。世界人口の半数以上がバイリンガルであるにもかかわらず、企業向け音声エージェントが言語切替にどう対処するかの研究はこれまで不十分でした。本ベンチマークはスペイン語・フランス語・カナダフランス語・ドイツ語と英語の4言語ペアを対象に、HRやITサポートの実務シナリオを用いて評価を行っています。

評価対象はElevenLabs Scribe V2、Google Gemini 3 Flash、AssemblyAI Universal 3-Pro、Deepgram Nova 3、Mistral Voxtral、Nvidia Parakeet、OpenAI Whisper Large V3 Turboの7モデルです。単語誤り率（WER）ではScribe V2とAssemblyAIが僅差で上位を占め、Gemini 3 Flashが僅差で続きました。一方、意味の保持を測るSWERとAERでは、Geminiが言語理解能力を活かしてAssemblyAIを逆転する場面もありました。

Whisperは全指標で最下位となりましたが、これは言語パラメータ未指定時に転写ではなく翻訳をデフォルト動作とする既知の制約が原因です。意味的指標では英語への翻訳が奏功し、他モデルとの差は縮まりました。上位モデルはコードスイッチによる精度低下がごくわずかで、単言語ベースラインとほぼ同等の性能を維持しています。

誤認識の発生メカニズムについても統計分析が行われました。回帰分析の結果、発話内の言語切替回数が多いほど誤認識が発生しやすく、一方で誤認識の深刻度はコード混合指数（CMI）、すなわち副言語の単語比率と相関していました。さらに、誤認識はバイリンガル発話中の英語部分に集中するという直感に反する結果も示されています。英語は単言語では最も得意とする言語でありながら、埋め込み言語として出現した際には音韻や語彙の文脈切替がモデルにとって困難となるためです。

研究チームはベンチマークをオープンソースのAU-Harnessで公開し、企業が自社の顧客が実際に話す言語ペアで検証できるようにしています。合成音声を用いている点や自動言語検出のみで評価している点など限界はあるものの、適切なASRシステムを選択すれば、バイリンガル顧客が自然に言語を切り替えても転写品質を維持できることを実証した意義ある研究です。

Appleは2026年6月9日、年次開発者会議WWDC 2026で、AIアシスタント「Siri AI」の全面刷新と、第3世代の独自基盤モデル「AFM 3」ファミリーを発表しました。新SiriはGoogle Geminiをベースとし、専用アプリとして独立。テキスト・音声・画像によるマルチモーダル対話に対応し、iPhoneからMac、Apple Watchまで全デバイスで利用できます。Tim Cook CEOにとって最後のWWDCとなる今回、同社はAI分野での遅れを取り戻す姿勢を鮮明にしました。

Siri AIの最大の特徴は、画面上のコンテンツを認識して文脈に応じた操作を実行するエージェント機能です。InstagramやSafariで表示中の情報をもとに検索や予定登録を行ったり、メッセージの文脈からリマインダーを自動提案したりできます。Apple上級副社長のCraig Federighi氏は「AIにおけるプライバシーは交渉の余地がない」と強調し、処理はオンデバイスまたはPrivate Cloud Computeで完結すると説明しました。

技術面で注目されるのがAFM 3 Core Advancedです。20億パラメータの重みをDRAMではなくNANDフラッシュに格納し、プロンプトごとにルーティングして1B〜4Bのパラメータを動的にDRAMへロードします。従来のMoEモデルがトークンごとにエキスパートを切り替えるのに対し、プロンプト単位で一度だけ選択する設計により、メモリ帯域の制約を回避しています。サーバー側のAFM 3 Cloud ProはGoogle Cloud上のNvidia GPUで稼働し、複雑な推論やエージェント処理を担います。

写真編集では、Appleはこれまでの慎重姿勢を転換し、Image Playgroundでフォトリアルスタイルの画像生成を解禁しました。新ツール「Extend」は画像の枠外をAIで補完し、「Spatial Reframing」は写真の視点を3D的に変更できます。改変画像にはGoogleのSynthID透かしを付与し、AI生成コンテンツの識別を可能にしています。かつてFederighi氏が「写真は現実を正確に捉えるべき」と述べていたことを考えると、大きな方針転換です。

開発者向けには、App IntentsとApp Schemasを通じてアプリの機能をSiriやSpotlightに公開する仕組みが拡充されました。Shortcutsアプリでは自然言語による操作の自動化が可能になり、Safariでも自然言語でブラウザ拡張機能を作成できます。一方、Siri AIはEUと中国では当初利用不可で、対応ハードウェアも限定されるため、グローバル展開には課題が残ります。Appleの戦略はスタンドアロンのチャットボットではなく、OS全体にAIを統合するアプローチであり、プライバシーを武器にMicrosoftやGoogleとの差別化を図っています。

Hugging FaceのエンジニアMishig Davaadorj氏が2026年6月9日、AIコーディングエージェントが2つのHugging Face Spacesを連鎖させてパリの名所を3Dガウシアンスプラットで表示するギャラリーサイトを自動構築した事例をブログで公開しました。画像生成にはIdeogram4、単一画像からの3D再構成にはTripoSplatが使われ、エージェントは画像生成からファイル圧縮、ビューア構築、デプロイまでを一貫して実行しました。

この事例の技術的な核となるのが、Gradio Spaceが自動公開するagents.mdという仕様ファイルです。agents.mdにはAPIスキーマのURL、エンドポイントの呼び出し方法、ファイルアップロード手順、認証方式がプレーンテキストで記載されており、エージェントはクライアントライブラリやSDKなしでSpaceを操作できます。これにより、異なる組織が開発した最先端モデル同士を統合コードゼロで連鎖させることが可能になります。

Davaadorj氏はMitchell Hashimoto氏が提唱する「ビルディングブロック経済」の概念を引用し、AIがゼロからの構築よりも実績あるコンポーネントの組み合わせに優れている点を強調しています。従来コードライブラリの文脈で語られてきたこの考え方が、画像生成・動画・音声・3Dなどマルチメディア領域にも波及しつつあるという見解を示しました。

実用性を示す証拠として、パリのギャラリー構築後に同じパイプラインで日本とエジプトのギャラリーも「1文の指示」で量産できたことが報告されています。エッフェル塔やカルナック神殿、姫路城など各国6つの名所が3Dスプラットで再構成され、Three.jsベースのビューアにスクロール切替やドラッグ回転のUIが実装されました。人間が介入したのは「もう少しズームアウトして」「オベリスクを別の建造物に差し替えて」といった審美的な判断のみでした。

この事例は、モデルの統合に伴うSDK管理やGPU確保、入力形式の変換といった障壁がagents.mdによって大幅に低下したことを示しています。「プロンプトから回転する3Dモニュメントを生成する」という作業が、かつてはプロジェクト単位の取り組みだったものが、パイプラインの1ステップに縮小されたとDavaadorj氏は述べています。

Appleは2026年6月8日のWWDC 2026基調講演で、音声アシスタントSiriを全面的に刷新した「Siri AI」を発表しました。2024年に予告しながら実現できなかったAI強化を、Googleとの提携によりGeminiベースの新しいApple Foundation Modelsとして再構築しています。新しいSiriはChatGPTやClaudeのような対話型インターフェースを備えた専用アプリとして提供され、会話履歴がiCloud経由で全デバイス間で同期されます。

Siri AIの最大の特徴は、システム全体への統合です。画面に表示されている内容を読み取り、アプリをまたいで操作を実行できます。たとえば通話中にメールから航空便の詳細を表示したり、カレンダーの予定を自然言語で作成したりすることが可能です。iPhoneではDynamic Islandからのスワイプ、MacではSpotlight、Vision Proでは視線で起動でき、あらゆるデバイスでシームレスにアクセスできます。

Apple Intelligenceの進化はSiri以外にも広がっています。SafariはAIによるタブ自動整理やウェブサイトの変更通知機能を獲得し、Shortcutsは自然言語でワークフローを構築できるようになりました。写真アプリには撮影後に構図を変更できる「Spatial Reframing」、画像の端を拡張する「Extend」ツール、精度が向上した「Cleanup」ツールが追加されています。Image Playgroundもより高品質な画像生成が可能になり、開発者向けAPIも公開されます。

カメラアプリにはSiriモードが追加され、レシートを撮影して割り勘計算からApple Cash送金まで一連の操作を自動化できます。また、200万ダウンロード未満の小規模開発者にはPrivate Cloud Compute上のFoundation Modelsを無償で提供し、AI開発の参入障壁を下げる施策も発表されました。

ただし展開には制約があります。Siri AIは年内にベータ版として提供されますが、EUではiOS・iPadOSで当初利用できず、中国では規制上の理由から提供されません。対応言語も英語のみでのスタートです。高度なオンデバイスAI機能はiPhone Air・iPhone 17 Pro、M4以降のiPad、M3以降かつ12GB以上のRAMを搭載したMacに限定されます。なお今回のWWDCは、9月1日にCEOをJohn Ternusに引き継ぐTim Cookにとって最後の基調講演となりました。

ServiceNowは2026年6月4日、企業向け音声AIエージェントを評価するためのベンチマーク「EVA-Bench Data 2.0」をオープンソースで公開しました。航空カスタマーサービス、企業ITサービス管理、医療人事サービスの3領域にわたり、121のツールと213の評価シナリオを収録しています。初版から約4倍のシナリオ拡大となります。

音声エージェントの失敗はドメイン固有であるという課題意識がこのベンチマークの出発点です。航空業界で確認コードを正確に処理できるシステムでも、医療HR領域の複雑なポリシー対応では失敗することがあります。EVA-Bench 2.0は、各領域の実際の業務フローに基づいたシナリオを設計し、単一意図・複数意図・敵対的呼び出しの3タイプを網羅しています。

データの信頼性確保にも注力しています。すべてのシナリオは、OpenAI GPT-5.4、Google Gemini 3.1 Pro、Anthropic Claude Opus 4.6の3つのフロンティアモデルで解決可能であることを検証済みです。シナリオ生成にはグラフベースの合成データパイプライン「SyGra」を使用し、ユーザー目標・初期データベース・期待される最終状態を一貫して生成することで再現性を担保しています。

今後は英語以外の多言語対応も予定しています。名前や地名、電話番号をローカライズし、フランス語など各言語での評価を可能にする計画です。データセット、評価フレームワーク、リーダーボードはすべてMITライセンスでHugging FaceおよびGitHubから利用できます。

Amazonは6月4日、倉庫用自律ロボット「Proteus」の次世代版を発表しました。最大の特徴は、従来の専用ソフトウェアによる操作に代わり、自然言語で作業を指示できる点です。Amazon Robotics副社長のScott Dresser氏は「やるべきことを伝えれば、優先順位・ルート・タイミングをロボットが判断する」と説明しています。

新型Proteusは従来のドックエリア限定から倉庫全域へと稼働範囲を拡大し、コンテナの搬入からワークステーション間の移動まで幅広い作業に対応します。現在はラボでの試験段階で、2027年前半に欧州での展開を計画しています。Amazonは触覚ロボット「Vulcan」やトート搬送システムの拡大も進めており、ロボティクス全体への投資を加速させています。

一方、Hello Robotは家庭向けロボット「Stretch 4」を3万ドルで発売しました。Google元ロボティクス部門責任者のAaron Edsinger氏が率いる同社は、人型ロボットの最大化路線とは一線を画し、安全性と実用性を最優先に設計しています。四肢麻痺のKeith Platt氏は音声操作でStretchを使い、朝食のプロテインシェイクを自力で飲めるようになるなど、日常の自立を取り戻しつつあります。

ロボット業界では実環境での稼働実績が競争優位になるとの見方が強まっています。投資ファンドBullhound Capitalは「最初に展開した企業が、競合には買えない運用ノウハウを蓄積する」と指摘しています。UCバークレーのMahi Shafiullah研究員も「アルゴリズムは揃ったがデータが足りない。安全にデータを集められるロボットが鍵だ」と述べ、Stretchの実用性を評価しています。

ただし課題も残ります。1Xの人型ロボット「Neo」は1万台の予約を完売したものの、実機の出荷はまだ始まっていません。Bot Companyのロボットがサンフランシスコの賃貸住宅で家具や家電を破損したとして訴訟に発展するなど、現行ハードウェアの信頼性には懸念が残ります。倉庫と家庭という異なる領域で、安全かつ実用的なロボットをいかに早く届けられるかが、各社の明暗を分けることになりそうです。

Metaは2026年6月4日、FacebookにAIクリエイターアシスタントを導入すると発表しました。このアシスタントはクリエイターのコンテンツスタイル、パフォーマンス、コミュニティ、目標に基づいてパーソナライズされた提案を行います。従来はダッシュボードやグラフを自分で読み解く必要がありましたが、会話形式で「いつ投稿すべきか」「コメントの反応は」といった質問に即座に回答します。

AIアシスタントはパフォーマンス分析にとどまらず、トレンド音声や文化的なイベントに基づいた新しいコンテンツのアイデアも提案します。クリエイターはフォローアップの質問を重ねることで、オーディエンスの変化など特定のトピックをより深く掘り下げることもできます。提供地域は現時点で米国・カナダ・インドに限定されていますが、今後拡大予定です。

この施策の背景には、TikTokやYouTubeとのクリエイター争奪戦があります。AI支援機能をアプリ内に組み込むことで、クリエイターがChatGPTなど外部ツールに頼る必要をなくし、Meta経済圏内での活動完結を促す狙いがあります。クリエイターの投稿頻度が上がれば、ユーザーエンゲージメントの向上にも直結します。

Metaは同時に、AI翻訳リールの対応言語にアラビア語、インドネシア語、フランス語、タイ語、ベトナム語を追加しました。翻訳ではクリエイターの声色やトーンが保持され、リップシンク機能で口の動きも同期できます。Facebook上でAI翻訳動画を視聴するユーザーは週5億人を超えており、言語の壁を越えたリーチ拡大がクリエイターの定着を後押ししています。

Googleは2026年6月3日、オープンウェイトの大規模言語モデルGemma 4 12Bを公開しました。約120億パラメータながら16GBのRAMまたはVRAMで動作し、一般的なノートPCでマルチモーダルAIをローカル実行できます。4月に発表されたGemma 4ファミリーのモバイル向けモデルとデータセンター向け26Bモデルの間を埋める位置づけです。

最大の技術的特徴はエンコーダ不要の統合アーキテクチャです。従来のマルチモーダルモデルは画像や音声を処理する専用エンコーダを別途必要としていましたが、Gemma 4 12Bは視覚パッチと生の音声波形をLLM本体の埋め込み空間に直接投影します。視覚エンコーダは単一の行列演算による3500万パラメータの軽量モジュールで置き換えられ、音声エンコーダは完全に廃止されました。この設計により推論遅延とメモリ使用量の両方が低減されています。

性能面では、メモリフットプリントが26B MoEモデルの半分以下でありながら、ベンチマークではそれに迫るスコアを達成しています。256Kトークンのコンテキストウィンドウを備え、長大な財務レポートやコードベースの処理にも対応します。ネイティブの関数呼び出し機能やステップバイステップの推論モードも搭載しており、自律型エージェントの構築基盤として設計されています。

企業にとっての実用的価値はどこにあるのでしょうか。医療・金融・防衛など機密データを外部APIに送信できない規制業界では、完全ローカルでのマルチモーダル処理が可能になります。Apache 2.0ライセンスで商用利用も自由です。一方、音声入力は30秒、動画は60秒という処理上限があり、長時間メディアの処理には向きません。Hugging Face・Kaggle・vLLM・llama.cppなど主要エコシステムとの統合も初日から対応しており、即座に本番導入を検討できる状態です。

Amazonは2026年6月3日、ショッピングアプリの検索バーにAI生成画像を表示する新機能を発表しました。ユーザーが検索語を入力すると、オートコンプリートの下にAIが生成した商品イメージが複数表示され、タップすると類似の実在商品の検索結果へ誘導される仕組みです。まずは衣料品とインテリア分野で提供が始まります。

この機能が狙うのは、欲しいもののイメージはあるが正確なスタイル名が分からないという買い物シーンです。たとえば「カウルネック」という用語を知らなくても、「垂れた襟のシャツ」と入力すればAIがスタイルの候補を画像で提示してくれます。一方、単純な検索には恩恵が薄いとの指摘もあります。

TechCrunchは、実在しない商品画像を小売サイトで表示することへの疑問を呈しています。消費者がAI画像を実際の商品と誤認し、購入できないと分かって失望するリスクがあるためです。実物の写真が大量にあるプラットフォームで、なぜ架空の画像を使うのかという批判は的を射ているでしょう。

別途導入される「ショップ・バイ・スタイル」機能では、AIがコーディネートを提案しますが、こちらは実在の商品で構成されており購入が可能です。Googleも昨年、AI Modeで架空の服やインテリア画像を生成して実商品へ誘導する同様の機能をリリースしており、AIビジュアル検索はEコマースの新たなトレンドになりつつあります。

AmazonはこれまでにもレビューのAI要約、音声による商品紹介、Amazon Lens Liveによるカメラ検索、RufusチャットボットのAlexa for Shoppingへの置き換えなど、AIのショッピング統合を加速させてきました。今回の機能追加もその延長線上にあり、AI活用による購買体験の変革がどこまで消費者に受け入れられるかが注目されます。

アフリカ・中東市場に特化した音声AIスタートアップのAethexAIが、4DX Ventures主導のプレシードラウンドで300万ドルを調達しました。Enza Capital、Dorm Room Fund、Mojo Venturesのほか、Anthropicの研究者やスタンフォード大学の教授陣も個人投資家として参加しています。同社はGoldman Sachs出身のMariama DialloCEOとMeta・Caltech出身のAyooluwa OdemuyiwaCTOが2025年に共同創業しました。

既存の音声AI大手はアメリカやヨーロッパ向けに設計されており、アフリカや中東で使うと遅延やジッターが深刻な問題になります。AethexAIはVapiやLiveKitなどの既存オーケストレーション基盤を使わず、独自の小型モデルとオーケストレーション層をゼロから構築しました。パラメータ数3億から17億のKoraシリーズにより、地域特有の英語方言、フランス語、アラビア語に対応しつつ低遅延を実現しています。

訓練データの確保にも独自のアプローチを採っています。コールセンターパートナーの匿名化音声を活用するほか、アフリカ各地のラジオ局にハードドライブを送付して音声データを収集。大学生ネットワークを組織し、現地の固有名詞の発音やアノテーション作業を低コストで行いました。現在は1日1万7,000件超の通話を処理しています。

主なユースケースは債権回収、顧客アクティベーション、本人確認（KYC）です。同社はプラグアンドプレイ型の導入は現地では機能しないと判断し、オンサイトデモやワークショップで企業を支援する手厚い導入体制を敷いています。投資家の4DX Venturesによれば、アフリカ・中東の企業は欧米の約3倍のコール量を処理しており、音声が依然として顧客接点の主要チャネルです。方言やコード切替への対応、現地の通信インフラとの統合という構造的な課題が、大手にとって参入障壁となり、AethexAIにとっては市場機会となっています。

Microsoftは2026年6月2日、開発者会議Build 2026で自社開発AIモデル7種を一挙に発表しました。目玉はフラッグシップと位置づける推論モデルMAI-Thinking-1で、ソフトウェアエンジニアリング分野の主要ベンチマークで業界トップクラスのモデルに匹敵する性能を示しています。同社がOpenAI以外の独自モデルを本格展開する転換点となります。

MAI-Thinking-1は中規模モデルでありながら、サードパーティモデルからの蒸留を一切行わず、クリーンなデータで一から訓練されたと同社は説明しています。Microsoftは昨年から自社モデルの開発を開始しており、最近OpenAIとの提携関係も再交渉で緩和されたばかりです。

推論モデル以外にも多彩なラインナップが揃いました。画像生成・編集のMAI-Image 2.5、競合比5倍の処理速度を謳う音声書き起こしモデルMAI-Transcribe-1.5、15の新言語に対応した音声モデルMAI-Voice-2が発表されています。

コーディング向けのMAI-Code-1-Flashは推論効率に優れ、GitHub CopilotおよびVisual Studio Codeに統合されます。開発者の日常ツールに直接組み込まれることで、実用面での即時的なインパクトが見込まれます。7モデルの同時投入は、Microsoftが自社AI基盤を急速に拡充する戦略を鮮明にしたといえます。

Googleは2026年6月2日、Android向け電話アプリ「Phone by Google」に、AIディープフェイクによるなりすまし通話を自動検知する新機能を発表しました。連絡先の電話番号を偽装し、AI音声クローン技術で家族や上司になりすます詐欺が急増していることを受けた対応です。Android 12以上の端末を対象に、Pixel端末から今月中にグローバルで展開を開始します。

この機能はRCS（Rich Communication Services）を基盤とした「デジタルハンドシェイク」方式で動作します。連絡先から着信があると、発信元の端末がバックグラウンドで暗号化された確認信号を送信し、受信側がこれを検証します。信号がない場合は発信元の実際の端末に問い合わせを行い、「今は通話していない」と確認されれば、画面上に警告を表示して即座に通話の切断を促します。

なりすまし詐欺の被害は深刻化しています。FBIの報告によると、2025年にAIを悪用した詐欺でアメリカ国民が被った損失は8億9,300万ドルに達しました。またFTCの集計では、2024年のなりすまし詐欺全体の被害額は約30億ドルにのぼります。音声クローン技術の進歩により、毎日話している相手の声であっても偽物を見抜くことが困難になっています。

Googleはこの機能をデフォルトで有効にしており、利用者側の設定は不要です。ただし発信者と受信者の双方がPhone by Googleを使用している必要があります。Ars Technicaの報道では、Google Contacts、Google Messagesも必要とされています。PixelやMotorolaにはプリインストールされており、SamsungもGoogle Messagesへの切り替えを完了しています。

GoogleはこのRCS基盤の技術を他社のアプリや企業にも開放する方針を示しています。もともと先月導入した金融機関からの認証済み通話向けの仕組みを拡張したもので、今回すべての連絡先に対象を広げました。スマートフォンのセキュリティ機能としてAI対AIの防御が標準装備される時代に入ったといえます。

AI音声入力ツールの分野で、年額144ドルの有料サービス「Wispr Flow」に対し、無料で同等の機能を実現できる代替ツールが複数登場しています。Wispr Flowは音声をテキストに変換した後、LLMでフィラーワードを除去し段落に整形する2段階処理が特徴ですが、その基盤技術であるOpenAIのWhisperやNvidiaのCanaryはオープンソースで公開されており、誰でも無料で利用できます。

WIREDのレビューによると、最も有力な無料代替は「Spokenly」です。macOSとWindowsの両方に対応し、ローカルモデルを使えば完全無料で利用できます。Apple IntelligenceやOpenAI、Anthropicなど複数のLLMプロバイダーに対応しており、オフラインでも動作するためプライバシー面でも優れています。カスタムプロンプトの設定やキーボードショートカットの割り当ても可能です。

Mac専用では完全無料・オープンソースの「MacParakeet」、買い切り25ドルの「VoiceInk」があります。WindowsやLinuxユーザーには完全無料の「FOSS Voquill」が推奨されますが、整形機能は未搭載です。クロスプラットフォーム対応の「OpenWhispr」もオープンソースで提供されており、ローカルモデルと外部APIキーを設定すれば無料で使えます。

記事の筆者は、これらのツールを試した結果、有料サービスに匹敵する機能を無料で実現できると結論づけています。一方で、音声入力による執筆は思考の精緻化プロセスを損なう可能性も指摘しており、ツールの選択は個人の作業スタイル次第だと述べています。AI音声認識とLLMの汎用化により、かつては有料でしか得られなかった機能が無料の選択肢として広く利用可能になっています。

Googleは2026年5月の開発者会議Google I/O 2026で、3つの主要AI製品を発表しました。マルチモーダル動画生成モデル「Gemini Omni」、エージェント向け最新モデル「Gemini 3.5 Flash」、そして常時稼働型パーソナルAIエージェント「Gemini Spark」です。いずれもGoogleのエージェント実行基盤Antigravityと統合されています。

Gemini Omniは画像・音声・動画・テキストを入力として高品質な動画を生成・編集できるモデルです。自然言語で動画を会話的に編集でき、前のターンの指示を引き継ぎながらキャラクターの一貫性や物理法則を保つ点が特徴です。Gemini app、Google Flow、YouTube Shorts等で順次提供されます。

Gemini 3.5 Flashはエージェントタスクとコーディングに特化した最新モデルで、大規模フラッグシップモデルに匹敵する性能をFlashシリーズの速度で実現します。Gemini appの標準モデルおよびGoogle検索のAI Modeに採用され、検索結果をリアルタイムにカスタムUIとして生成する機能や、情報エージェントによるバックグラウンド監視機能が導入されます。

Gemini SparkはGemini 3.5とAntigravityを基盤とするパーソナルAIエージェントで、GmailやGoogleカレンダー等のWorkspaceツールと連携して日常タスクを自動化します。WIREDの実機レビューでは、メールやカレンダーから誕生日パーティーの計画を自動生成するなど高い情報統合力を示しました。一方で、同居のパートナーを「親しい友人」と分類するなど文脈理解の限界も露呈しています。

セキュリティ面では、個人データへの広範なアクセスに伴うプロンプトインジェクション攻撃のリスクをGoogle自身が警告しています。Sparkは月額100ドルのAI Ultraプランの加入者向けに米国で提供が始まりました。Gemini 3.5 FlashのAPIはGoogle AI StudioやAndroid Studio等で一般提供されています。

YouTubeは2026年5月28日、Premium会員向けにポッドキャスト関連の新機能3つを発表しました。AI活用のレコメンド機能、再生速度を自動調整する「Auto speed」、移動中の操作に最適化した「on-the-go mode」の3本柱で、いずれもまずAndroid版から提供を開始し、iOS版は数か月以内に対応予定です。

レコメンド機能は、既存の「Ask Music」を拡張したものです。ユーザーがジャンルや気分、好きな番組を伝えると、AIがポッドキャストを提案します。YouTube Musicアプリ上でチャット形式のプロンプトを使って検索でき、Spotifyが先行導入した類似機能への対抗策と位置づけられます。

「Auto speed」は、話者の発話速度やコンテンツの密度に応じて再生速度を自動で切り替える機能です。従来の固定倍速設定では、話者が変わるたびに聞き取りにくくなる問題がありましたが、新機能ではユーザーが設定した最低速度を基準に、情報の少ない区間だけを加速し、通常区間は元の速度に戻します。

「on-the-go mode」は、ランニングや通勤中でも操作しやすいよう画面を音声専用レイアウトに切り替えます。大きな再生ボタンやスキップ操作、チャプター表示付きのタイムラインを備え、動画の代わりに静止画を表示することでバックグラウンド再生との相性を高めています。

YouTubeによると、Premium会員によるポッドキャスト視聴は2026年4月に8億時間を超え、月間アクティブユーザーは10億人を突破しています。動画ポッドキャストに注力するNetflixや、音声ファースト戦略を進めるSpotify・Apple Podcastsとの競争が激しさを増す中、パーソナライズと操作性の強化でユーザーの定着と拡大を図る狙いです。

高級スマートフォンブランドのVertuは2026年5月28日、AIエージェントを搭載した折りたたみスマートフォン「Alphafold」を発表しました。価格はカーフスキン仕様で6880ドルからで、経営者や企業幹部が移動中にビジネスを管理することを想定しています。Nous Researchのオープンソースプロジェクトを基盤とした「Hermes Agent」を内蔵し、ERP・CRMなどの企業システムと接続して承認・スケジュール管理・営業追跡などを自然言語で操作できます。

技術面では、OpenAIのGPT、AnthropicのClaude、GoogleのGeminiなど複数のAIモデルにリクエストを振り分ける機能を備え、80以上のアプリと連携します。プロセッサにはQualcommのSnapdragon 8 Gen 4を採用し、8.05インチの折りたたみディスプレイ、6500mAhバッテリー、衛星通信機能を搭載しています。

プライバシー対策として、独自開発のA5セキュリティチップが認証キーや生体認証情報をOSから隔離し、機密データを端末内で処理します。外部AIモデルへ送信するプロンプトは事前に匿名化・トークン化される設計です。ただし、第三者によるセキュリティ監査はまだ実施されておらず、今後の課題として残っています。

Vertuはかつて富裕層向け高級携帯電話で知られたブランドですが、iPhone登場以降は苦戦が続き、所有者も複数回変わりました。CEOのMolly Ma氏は、大手メーカーのAI機能が画像編集や音声アシスタントなど消費者向けにとどまる点を指摘し、企業向けAIエージェントに商機があると述べています。最上位モデルは4万6800ドルに達し、ワニ革や18金の装飾を施した高級路線を維持しています。

折りたたみスマートフォン市場は2025年の世界出荷台数が約2000万台で、全体の2%未満にとどまります。IDCのアナリストは大画面がAIエージェントのマルチタスクに適していると指摘する一方、企業のスマートフォン選定はエコシステム統合やデバイス管理が優先され、AI機能が決め手になる段階ではないと分析しています。初回生産分の115台は今週から米国を含む主要市場で出荷が始まります。

Oculus共同創業者らが設立したAIスタートアップSesameは2026年5月28日、会話型AIエージェントのiOSアプリを39カ国で公開しました。ChatGPTなど従来のAIチャットボットとは異なり、AIが考えている間も会話が途切れない自然な対話体験を目指しています。現在は無料で利用できますが、サインアップ時にウェイトリストが発生する場合があります。

アプリにはMaya、Miles、Simone、Charlieという4種類のAIエージェントが搭載されており、それぞれ独自の声・性格・記憶を持ちます。技術的には、高速な検索・情報取得システムを構築し、AIが会話しながら複数の並列検索を実行。新しい情報を発話の途中でも織り込むことで、人間同士の会話に近い体験を実現しています。

ベータ期間中には100万人以上がアクセスし、画像付き検索カード、メモ機能、テキスト入力モード、深掘り検索、会話を記憶に残さないシークレットモードなど多数の機能が追加されました。Sequoiaなどから2億5,000万ドルのシリーズBを調達済みで、資金面の基盤も整っています。

Sesameはこのアプリを第一歩と位置づけ、2027年にはAIスマートグラスの発売を計画しています。さらに、エージェントが会話を超えてユーザーの代わりに操作を実行する機能も予告しており、プロンプト入力に頼らない自然な指示での行動代行を構想しています。音声で自然に話しかけるだけでAIが次のアクションを判断する世界観は、ビジネスでの活用可能性も広げるものです。

Rivianの最高ソフトウェア責任者であり、フォルクスワーゲンとの合弁会社RV Techの共同CEOを務めるWassym Bensaid氏が、The Vergeのインタビューで車載ソフトウェアの将来像を語りました。同氏は、AI搭載の音声アシスタント「Rivian Assistant」こそが車のインターフェースの未来であり、CarPlayやAndroid Autoは不要になると主張しています。

Rivian Assistantは車両のゾーナルアーキテクチャと深く統合されており、走行モードの変更や車高調整まで音声で操作できます。Google CalendarとのMCPベースのエージェント連携も実装済みで、ナビゲーション・スケジュール・メッセージを横断する複合的な操作が可能です。安全に関わるワイパーなどの機能は意図的にブロックしているとのことです。

合弁会社RV Techは約1,500人体制で、Rivianの技術スタックと開発文化をフォルクスワーゲングループ全体のEVに展開する役割を担います。次期モデルR2は5G対応に加え、最大200 TOPSのAI推論能力をローカルに搭載。クラウド依存を減らし、遅延の少ない会話体験を実現します。

CarPlayについては、発売当初70%超あった顧客からの要望が25%未満に減少したと明かしました。同氏は、エージェント技術の進化により、個人のデジタルエコシステムを車内に持ち込む「第三の道」が開けると述べています。将来的にはユーザーの好みのAIアシスタントとRivian Assistantが連携し、フードデリバリーの注文から到着時間の最適化まで一貫した体験を提供する構想です。

2026年5月28日、Googleは開発者会議Google I/O 2026の基調講演で発表した12の主要トピックを公式ブログで振り返りました。あらゆる入力から動画を生成できる新モデル「Gemini Omni」や、エージェント性能に特化した「Gemini 3.5 Flash」など、AIモデルの大幅な進化が中心となっています。検索体験の刷新からハードウェア、科学研究支援まで、幅広い分野にわたる発表が行われました。

検索領域では、バックグラウンドで24時間ウェブを監視し、ユーザーが関心を持つ情報を自動で届ける「情報エージェント」機能が注目されます。Google AI ProおよびUltra加入者向けにこの夏から提供が始まります。また、Antigravityと呼ばれるコーディング基盤を検索に統合し、質問に応じてダッシュボードやトラッカーなどのカスタムアプリをその場で生成する機能も発表されました。

個人向けアシスタントも大きく進化しています。毎朝GmailやCalendarの情報を整理して届ける「Daily Brief」、クラウド上で常時稼働しタスクを自動実行する「Gemini Spark」、そして応答をリッチな画像やインタラクティブなタイムラインで表示する新デザイン言語「Neural Expressive」が導入されます。macOS向けGeminiアプリにもSparkが搭載される予定です。

ハードウェア面では、Android XR対応のスマートグラスが2種類発表されました。音声アシスト型とディスプレイ型で、今秋の発売を予定しています。AI生成コンテンツの識別技術「SynthID」は検索やChromeに拡大され、OpenAIやElevenLabsなど外部企業も採用を進めています。

さらに「Gemini for Science」として、30以上の主要ライフサイエンスデータベースと連携する科学研究支援ツール群が公開されました。ショッピング分野では、検索・Gemini・YouTube・Gmailを横断して商品を管理できる「Universal Cart」も発表されています。Googleが生成AIを自社サービス全体に浸透させる戦略が鮮明になった発表でした。

Appleが6月8日開幕のWWDC 2026で発表予定とされるiOS 27の新機能について、Bloombergがリーク画像を公開しました。最大の注目点は、ChatGPTやClaude、Geminiに対抗するSiri独立アプリの登場です。従来の音声アシスタントから本格的なAIチャットボットへと進化し、テキスト入力に加えて文書や写真のアップロード、過去の会話履歴の管理にも対応します。

UIも大幅に刷新されます。Siriの応答はiPhoneのDynamic Islandから吹き出し形式で表示され、画面上部から下にスワイプすることでどのアプリからでもSiriチャットを呼び出せるようになります。従来のSpotlight検索もAI搭載のSiriに統合され、アプリ起動やメッセージ作成、カレンダー追加などの操作がカード型インターフェースで完結します。

技術面では、Appleが2026年1月に発表したGoogleとの提携に基づき、Geminiの大規模言語モデルがSiriの基盤となります。一方、The Informationの報道によると、Appleは数兆パラメータ規模のGeminiモデルをiPhone上で動作するよう蒸留（圧縮）する取り組みも進めています。しかし、スマートフォンのRAMやNPUの制約から、会話型AIの完全なオンデバイス処理は困難であり、クラウド処理への依存が避けられない状況です。

Appleにとっての強みは25億台の端末というインストールベースです。ChatGPTの週間アクティブユーザーが9億人に達する一方で、Appleはまだ単体のAIツールを使っていない膨大なユーザー層にリーチできます。カメラアプリへのSiriモード追加や写真アプリのAI編集機能強化も予定されており、OSレベルでのAI統合を着実に進めています。プライバシーを訴求しつつ外部パートナーの技術を活用するという、検索エンジンでのGoogle提携と同様の戦略が繰り返されています。

AI推論に特化した新興ネオクラウド企業General Computeが、FUSE VC主導のシードラウンドで1500万ドル（ポストマネーバリュエーション6000万ドル）を調達しました。同社はAIモデルの学習ではなく推論、つまりモデルが実際にユーザーの問いに応答する処理に特化したクラウドサービスを提供します。CEOのFinn Puklowski氏とCTOのJason Goodison氏が共同創業しました。

注目すべきは同社のチップ戦略です。GPU需要が急増する一方で、推論フェーズにはGPUが最適ではないという認識が業界で広がっています。NVIDIAによるGroqの200億ドル買収やCerebrasの570億ドル規模IPOがその潮流を象徴しています。General Computeは、Intel出資のSambaNovaが開発する推論特化チップSN50を採用し、3億ドル相当を発注済みです。

SambaNova新チップの性能は毎秒600〜700トークンの生成速度を見込んでおり、GPUの約250トークンを大きく上回ります。さらに空冷方式で消費電力も低いため、水冷設備や大規模な電力インフラの新規投資なしに既存データセンターへ導入できます。暗号資産マイニング施設の転用によるコロケーション展開も計画しています。

投資家のJoe Hasselmann氏は、SambaNova とGeneral Computeの関係をNVIDIAとCoreWeaveの関係になぞらえます。推論クラウドは、単一プロバイダーが支配しない複数モデル・複数エージェントの世界を前提とした事業モデルです。OpenRouterが今週1億1300万ドルのシリーズBを調達したことも、この市場の成長を裏付けています。

Puklowski氏はコーディングエージェントの処理時間を数時間から5〜10分へ短縮し、音声カスタマーサービスの推論コストを下げることを目指しています。エージェント同士が高速に通信する時代において、推論速度とコスト効率が競争力の鍵になるとの見方を示しました。

Hugging Faceは2026年5月27日、小型ヒューマノイドロボット「Reachy Mini」の音声会話機能を完全にローカル環境で実行する方法を公開しました。従来はクラウドへの音声送信が必要でしたが、同社のspeech-to-speechライブラリを使い、VAD（音声区間検出）からSTT（音声認識）、LLM（大規模言語モデル）、TTS（音声合成）までの全パイプラインをローカルマシン上で動作させることが可能になりました。

技術構成はカスケード方式を採用しています。音声区間検出にはSilero VAD v5、音声認識にはParakeet-TDT 0.6B v3、音声合成にはQwen3-TTSを推奨構成として選定しています。各コンポーネントは独立しており、より高品質なモデルが登場すれば個別に差し替えられる設計です。

LLMの推論基盤はllama.cpp、MLX、Transformers、vLLMなど複数の選択肢に対応しています。推奨モデルはGemma 4のE4B量子化版で、llama.cppでは`brew install`一発で導入でき、64Kコンテキストウィンドウとフラッシュアテンションによる高速推論が可能です。Apple Silicon搭載MacではMLX経由でQwen3-4Bも低遅延で動作します。

プライバシーとコスト面のメリットも大きいです。音声データが一切外部に送信されず、APIの従量課金も不要になります。ロボットと推論サーバーを別マシンで動かす場合も、LAN内のIPアドレスを指定するだけで接続できます。

Responses APIプロトコルに準拠しているため、ローカル推論だけでなくHugging Face Inference EndpointsやOpenAI互換プロバイダーへの接続も同じインターフェースで切り替え可能です。vLLM 0.21.0以降ではMulti-Token Predictionによるさらなる低遅延化も実現しています。

2026年5月、CrowdStrikeの金融サービス脅威レポート、FBIの公共サービス発表、Verizonのデータ侵害調査報告書という3つの独立した調査が、金融機関を狙う攻撃の構造的変化を明らかにしました。最も活発な脅威グループ「Mutant Spider」は、Microsoft Teamsを使った音声フィッシング（ビッシング）でIT部門を装い、従業員にMFAのリセットを実行させる手法で侵入しています。正規のセキュリティ機能が設計通りに動作した結果、攻撃者のデバイスが社内ネットワークに登録されるという構造的な問題です。

FBIが警告した「Kali365」は、Telegramで月額250ドルから購入できるフィッシングサービスです。MicrosoftのOAuth 2.0デバイス認証フローを悪用し、被害者の端末でMFA認証を通過させつつ、攻撃者側にトークンを渡します。取得したトークンでOutlook、Teams、OneDriveへ再認証なしにアクセスでき、数週間から数か月にわたり潜伏が可能になります。

Verizonの2026年版報告書によると、脆弱性の悪用が侵入経路の31%を占め、長年首位だった認証情報窃取（13%）を大きく上回りました。完全なパッチ適用までの中央値は32日から43日に延び、CISAの既知悪用脆弱性カタログに載った重大な欠陥のうちパッチが適用されたのはわずか26%です。攻撃者がAIを使いパッチを72時間以内にリバースエンジニアリングしている現状では、対応の遅れが致命的になります。

金融業界全体では、2025年にハンズオンキーボード型の侵入が2年前比で43%増加しました。北米では48%増です。ランサムウェアグループによるリークサイトへの金融機関掲載は334件から423件へと27%増え、Qilinランサムウェアを運用する「REVENANT SPIDER」は被害件数を14件から97件に急拡大させています。北朝鮮関連グループは2025年に20.2億ドル相当の暗号資産を窃取しました。

専門家はMFAの追加導入ではなく、MFAが実際に何を保護し何を保護しないかの再評価が必要だと指摘しています。具体的には、MFAリセット時の帯域外検証、FIDO2ハードウェアキーへの移行、デバイスコードフローの条件付きアクセスでの制限、OAuthトークンの有効期間管理が推奨されています。過去10年間で最大の予算を投じてきたパスワード保護は、もはや主要な攻撃経路ではなくなっています。

アメリカ国家運輸安全委員会（NTSB）は2026年5月21日、民間航空事故の調査資料を公開するオンラインデータベースの一時停止を発表しました。インターネットユーザーがAIや画像認識技術を用いて、公開されていた音声スペクトル画像からコックピットボイスレコーダーの音声を再現したことが原因です。

再現の対象となったのは、2025年11月にケンタッキー州ルイビルで離陸直後に墜落したUPS2976便（MD-11F貨物機）の事故です。この事故ではエンジンの構造的故障により機体からエンジンが脱落し、パイロット3名が死亡、地上でも12名が犠牲となりました。

アメリカ連邦法では1990年以来、NTSBがコックピットの音声や映像記録を公開することを明確に禁止しています。この法律は、1988年のデルタ航空1141便墜落事故に関するコックピット音声がテレビで放送されたことへの航空パイロットの反発を受けて制定されました。

NTSBは通常、事故調査で収集した事実報告や証拠をデータベースで広く公開しています。しかし今回、AI技術の進歩により、音声そのものを公開していなくても関連資料から音声を復元できるようになった現実に直面しました。NTSBは現在、公開済みの全資料を見直し、同様の再現を防ぐための対策を検討しています。

Google I/O 2026で、Android XRディスプレイ付きAIグラスの試作機がメディア向けに初めてハンズオン公開されました。Warby Parker、Gentle Monster、Samsungと共同開発されたこのグラスは、レンズ内ディスプレイに天気やナビゲーション、リアルタイム翻訳などの情報を現実世界に重ねて表示します。音声のみのモデルは2026年秋に出荷予定ですが、ディスプレイ版はまだプロトタイプ段階です。

フレーム右側を2秒間押すとGeminiが起動し、音楽再生や写真撮影、物体識別などが音声で操作できます。カメラと連動して撮影した写真にAI加工を施す機能も搭載されていますが、Google I/O会場ではWi-Fi負荷の影響で往復処理に約45秒を要しました。

特に評価が高かったのはリアルタイム翻訳機能です。デモ担当者が高速なスペイン語を話すと、グラスが自動で言語を検出し、ディスプレイに英語テキストを表示すると同時に耳元で英語音声を再生しました。旅行者にとって単独で購入動機となり得る体験だとレビューは評しています。

一方で課題も明らかになりました。右目のみの単眼ディスプレイは表示がやや不鮮明で、短時間の使用でも眼精疲労が生じたと報告されています。音楽再生は最大音量でも騒がしい環境では聞き取りにくく、高品質イヤホンの代替にはならないとの評価です。Googleは年内にトラステッドテスタープログラムを拡大し、詳細を発表する予定です。

Spotifyは2026年5月21日、AIを活用した新しいデスクトップアプリ「Studio by Spotify Labs」を発表しました。このアプリは、ユーザーのメールやカレンダー、メモなどの外部サービスと連携し、Spotifyの視聴履歴も加味して、パーソナライズされたデイリーブリーフィングやポッドキャスト、プレイリストを自動生成します。18歳以上のユーザーを対象に、20以上の市場でリサーチプレビューとして順次提供されます。

StudioアプリにはAIエージェントが搭載されており、ウェブブラウジングやトピックのリサーチ、情報の整理といったタスクをユーザーに代わって実行できます。たとえば「イタリア旅行の日程に合わせたデイリーブリーフィングを作って、近くのおすすめレストランも紹介して」といった複数ステップの依頼にも対応します。生成されたポッドキャストはSpotifyライブラリに保存され、デバイス間で同期されますが、一般公開はされません。

Spotifyはこれと並行して、アプリ内で直接AIポッドキャストを生成できる「Personal Podcasts」機能を来月開始すると発表しました。ユーザーはプロンプトを入力するだけで、関心のあるテーマについてのポッドキャストを作成できます。PDFやリンク、テキストを素材として指定し、カスタムボイスを選ぶことも可能です。

さらに、米国・スウェーデン・アイルランドのPremiumユーザー向けに、ポッドキャストのAI Q&A;機能が本日提供開始されました。再生中のエピソードについて質問したり、特定トピックのタイムスタンプを検索したり、関連するポッドキャストのレコメンドを受けたりできます。

AIポッドキャスト生成の分野では、GoogleのNotebookLMが2024年から先行しており、AmazonのAlexa PlusやMicrosoftのEdge Copilotも参入しています。しかしSpotifyは既に膨大なオーディオユーザーベースを抱えており、音声コンテンツのプラットフォームとして優位に立てる可能性があります。今月初めにはClaude CodeやCodex向けのCLIツールも公開しており、AI音声コンテンツの中心的存在を目指す姿勢を鮮明にしています。

Spotifyは5月21日の投資家向けイベントで、ElevenLabsの音声AI技術を活用したオーディオブック制作ツールを「Spotify for Authors」プラットフォーム内で提供すると発表しました。6月に招待制のベータ版として英語のみで開始される予定です。著者は独占契約に縛られず、生成したオーディオブックを他のプラットフォームでも自由に公開できます。

この機能は、2025年に始まったElevenLabsとの提携を発展させたものです。ElevenLabsが提供する最新の音声モデルは、従来のデジタル音声よりも自然で表現力に優れており、著者がプロのナレーターを起用せずに高品質なオーディオブックを制作できる環境を整えます。SpotifyはすでにGoogle Play Booksともデジタルナレーション分野で提携していましたが、より人間らしい音声を求めてElevenLabsの技術を採用した形です。

Spotifyは同時に、Spotify for Authorsの対応言語をフランス語やドイツ語など10言語追加すると発表しました。さらにAudiobook+プランの拡充も予定しており、聴取上限の引き上げや学生・ファミリー向けオプションの追加を計画しています。自然言語によるオーディオブック検索機能や、プロンプトベースのプレイリスト作成をオーディオブックにも拡張する予定です。

Spotifyのオーディオブック事業はここ数年で急成長を遂げています。カタログは70万タイトルに達し、Audiobook+の購読者は100万人を突破しました。年間経常収益は1億ドルに達する見通しです。国際展開、非英語タイトルへの投資、アプリ内購入の実現、さらには米英での紙書籍販売開始など、多角的な施策により聴取時間は前年比60%増を記録しています。

多要素認証（MFA）を正常に通過した正規セッショントークンを悪用し、Active Directory内を横移動する攻撃が企業で深刻化しています。MFAはログイン時点の本人確認には有効ですが、認証後のセッション活動は一切監視しない構造的な盲点を抱えています。CrowdStrikeの2026年版脅威レポートによれば、平均侵害突破時間は29分に短縮され、最速では27秒という記録も報告されました。

石油・ガス大手NOVのCIOアレックス・フィリップス氏は、自社環境で正規セッショントークンの即時失効ができないという重大な欠陥を発見しました。パスワードリセットだけでは不十分で、セッショントークンを即座に無効化しなければ横移動は止められないと同氏は指摘しています。2025年にはビッシング攻撃が442%増加し、ディープフェイク詐欺は1,300%以上急増するなど、AI活用の社会工学攻撃が産業規模で拡大しています。

根本的な課題は、セッション管理がIAM部門とセキュリティ運用部門の狭間に落ちている組織構造にあります。IEEE上級会員のケイン・マクグラッドリー氏は、サイバーセキュリティリスクではなくビジネスリスクとして予算化しなければ経営層の関心を得られないと指摘。クロスドメインの可視性なしには29分の突破時間に対抗できないとCrowdStrikeのマイヤーズ氏も警鐘を鳴らしています。

NOVは具体的な対策として、トークン有効期間の短縮、条件付きアクセスの強制、職務分離の徹底、AI駆動のSIEMログ分析の導入を実行しました。さらに重要資産向けの即時トークン失効機能を専門スタートアップと構築。音声やビデオすら信頼できない時代に備え、事前共有秘密を用いたインシデント確認プロトコルも整備しています。同社の変革は数カ月で完了しており、認証をゴールではなくスタート地点と捉え直すことが全企業に求められています。

ニュージーランドのワイカト大学Te Taka Keegan教授らが、マオリ語の特定方言に対応した高品質AI音声合成システムを開発しました。ChatGPTやClaudeなど大手AIは標準化されたマオリ語を扱えますが、そのモデルはマオリ族の許可なくデータを収集して構築されたものです。Keegan教授はこれをデータ主権の問題と位置づけ、コミュニティが所有・管理するAI音声の開発に着手しました。

開発チームはマオリ語翻訳者Ngaringi Katipa氏の音声を約7時間45分録音し、オープンソースのニューラルTTSアーキテクチャPiperで学習させました。音素ベースの入力方式を採用したことで、通常数百時間とされる学習データを大幅に削減しつつ、単語誤り率6.78%という業界基準で「良好」な精度を実現しています。68人のマオリ語話者による聴取テストでは、合成音声と人間の声の正答率は65%にとどまり、高い自然性が確認されました。

技術面で特筆すべきは、マオリ語特有の母音長の区別やダイグラフの発音規則への対応です。eSpeak NGのマオリ語音素ルールを改良し、「keke（ケーキ）」「kēkē（腋）」「kekē（きしむ）」のような母音長だけで意味が変わる語の区別を可能にしました。すべてオフラインのローカル環境で動作する設計となっており、外部サーバーへのデータ送信は不要です。

所有権の設計も革新的です。標準的な知財法上はKatipa氏に帰属する音声モデルを、マオリの慣習に従い3つの部族（イウィ）の共同管理下に置く方針です。ウェリントンのCatalyst IT社がホスティングと計算資源を1年間無償提供し、大学ではなくコミュニティが技術の守護者となる体制を構築しています。

この取り組みは世界的な先住民AI主権運動の一環です。ニュージーランドのTe Hiku Mediaは92%精度のマオリ語音声認識をKaitiakitanga免許で公開し、バルセロナではカタルーニャ語の多方言TTSが開発されています。Keegan教授は長期的に方言ごとの独自大規模言語モデル構築を目指しており、今回の音声合成プロジェクトがその再現可能なテンプレートになると述べています。

カナダ・アルバータ州のBlack Gold学区が、GoogleのFace control機能とGeminiを活用し、身体障害のある生徒の学習環境を大きく改善しました。同学区は幼稚園から高校まで32校・約1万4000人の生徒を抱えており、世界アクセシビリティ啓発デーに合わせて成果を公表しています。

運動機能に制限がある7年生のリアム・ダンスロー君は、従来は車椅子に取り付けた物理スイッチでパソコンを操作していました。車椅子からの接続作業に時間がかかり、リンクを1つクリックするだけでもスイッチを何度も押す必要がありました。すべての言葉を代筆者に頼らざるを得ない状況だったのです。

ChromeOSに標準搭載されたFace controlは、内蔵カメラで頭の動きを認識し、カーソル操作やスクロールを可能にします。リアム君はこの機能により、Google Classroomで課題を開き、音声入力を起動し、自力で学習を進められるようになりました。追加機器の購入や複雑なセットアップは不要です。

さらに学区の技術担当者は、Gemini for Educationを使ってカスタムChrome拡張機能を開発しました。Khan Academyなどの学習サイトで問題箇所を自動検出し、画面上のボタン1つで操作できるようにしたものです。生成AIがアクセシビリティ向上の開発ツールとしても機能することを示しています。

導入後、以前は1文を書くのも困難だった生徒がページ単位の物語を執筆できるようになるなど、顕著な成果が出ています。リアム君自身もウェブデザイナーやゲームデザイナーを志望するようになり、デジタルの自立が将来の可能性を広げた好例となっています。

GitHub Blogは2026年5月21日、ゲームエンジンの外側で開発パイプラインを支えるオープンソースプロジェクト10選を紹介しました。ゲーム制作にはエンジン以外にも、アセット制作・レベル設計・音声編集・対話システム・デバッグUIなど多岐にわたるツールが必要であり、これらをOSSが担っている現状を解説しています。

3Dモデリング分野ではローポリ特化のBlockbenchが紹介されました。Minecraft向けエディタから汎用ツールに進化し、テクスチャペイントやアニメーション機能を備えています。2Dアニメーションでは手描きフレーム単位で作業できるPencil2D、ピクセルアートではPixeloramaがスプライトやタイルセットの制作に特化したワークフローを提供しています。

レベルデザイン領域では、エンティティ駆動型のLDtkとタイルマップ編集で15年以上の実績を持つTiledの2つが取り上げられました。音声編集ではAudacityがバージョン4への刷新を進めており、スペクトル編集やバッチ処理で効率的なアセット準備を可能にしています。

分岐対話システムのYarn Spinnerは、脚本家とプログラマの作業領域を明確に分離する設計思想が特徴です。Night in the WoodsやBAFTA受賞作DREDGEなどの商用タイトルで実績があります。UI分野ではゲーム内メニュー用のGumと、デバッグオーバーレイで業界標準となったDear ImGuiが紹介されています。

記事はOSSコミュニティへの貢献方法も提示しています。リポジトリへのスター付与、再現手順付きバグ報告、Good First Issueへの取り組み、GitHub Sponsorsを通じた資金支援など、開発者が参加しやすい方法を具体的に示しました。ゲームエンジンだけでは解決できない制作課題に対し、OSSエコシステムが不可欠な存在であることを強調しています。

WIREDの記者Will Knight氏が、AIエージェントOpenClawとOpenAIのCodexを使い、オープンソースのロボットアーム「LeRobot 101」をバイブコーディングで制御する実験を行いました。従来は専門知識が必要だったロボットの設定・制御が、AIコーディングによって飛躍的に簡単になりつつあります。

LeRobot 101はHuggingFaceが提供するオープンソースのロボットアームで、コントローラーアームとカメラ付きフォロワーアームの2本で構成されます。Knight氏は手動での接続・キャリブレーションに数時間を費やし、モーターの過熱トラブルにも見舞われました。しかしOpenClawとCodexを用いると、接続設定やジョイントの校正を自動で処理し、赤いボールを検出して掴むPythonスクリプトまで生成できました。

さらにOpenClawの支援のもと、ロボットアームを制御するAIモデルの訓練にも成功しています。エージェントがトレーニングプロセスを案内し、各訓練後のエラー率を確認するなど、専門家なしでもモデル開発が可能であることを示しました。ハルシネーションによるバグは残る課題ですが、成果は十分に実用的なレベルです。

この手法は2022年の論文で提唱された「Code as Policy」に基づいています。UC BerkeleyのKen Goldberg教授らはNvidia、カーネギーメロン大学、スタンフォード大学と共同で、コーディングモデルのロボット制御能力を測るCaP-Xベンチマークを開発しました。興味深いことに、ロボット制御で最も高い性能を示したのはClaudeやChatGPTではなくGoogleのGeminiでした。マルチモーダル学習と物理世界の理解に注力してきた成果とみられます。

NvidiaのJensen Huang CEOの息子であるSpencer Huang氏は、社内ハッカソンでバイブコーディングによるロボット制御の実験を推進しています。Goldberg教授との共同研究では、Code as Policyをより多くのロボットソフトウェアツールと互換性を持たせることを目指しています。「ほぼ誰でもロボティクスに参入できるようになること、それが真のブレークスルーだ」とHuang氏は語っており、音声やテキストでロボットを操作できる未来が近づいています。

Stability AIは2026年5月20日、音声生成モデルの新シリーズ「Stable Audio 3.0」を発表しました。最上位モデルは6分20秒のプロ品質の楽曲を生成でき、2024年リリースの前世代モデルが対応していた長さの2倍以上を実現しています。

今回公開されたのは、小型SFX（4.59億パラメータ）、小型（同）、中型（14億パラメータ）、大型（27億パラメータ）の4モデルです。小型2モデルは最大2分の音楽をデバイス上で生成でき、中型・大型は楽曲構造やメロディの一貫性を保った長尺生成が可能です。小型SFX・小型・中型の3モデルはオープンウェイトで公開され、誰でも利用・改変できます。

大型モデルはAPIとセルフホスティング経由のみの提供で、売上100万ドル超の企業はエンタープライズライセンスが必要となります。Stability AIは学習データがすべて正規にライセンスされたものであると説明しており、Warner Music GroupおよびUniversal Music Groupとの提携がその基盤となっています。

AI音楽生成の分野ではGoogleやElevenLabsも参入していますが、SunoやUdioが著作権訴訟に直面するなど、学習データのライセンスが事業継続の鍵となっています。Stability AIはライセンス問題をクリアした点で競合との差別化を図っています。

同社はプロのミュージシャン向けに新たな製品群を開発中で、Universal AudioやFenderで最高デジタル責任者を務めたEthan Kaplan氏をプロ向け音楽事業の責任者として迎えました。AI音楽企業が音楽業界の経験者を積極的に採用する動きは業界全体のトレンドとなっています。

Google DeepMindは2026年5月20日、視覚障害者や弱視のランナーがガイドランナーなしで走れるようにする「Running Guide agent」を発表しました。従来、視覚障害者のランニングには伴走者やトラックの誘導ラインが必要でしたが、本エージェントはリアルタイムの空間認識AIにより単独走行を目指します。

システムの核心は安全性を最優先した二重経路アーキテクチャです。第一の経路はPixel 10 Proのカスタムシリコン上で完全オフライン動作するセグメンテーションモデルで、超低遅延の停止警告や方向指示音を提供します。第二の経路はGemma 4 E4Bによる高度なマルチモーダル推論で、地形変化や新たな障害物など情報量の多いフレームだけを選択処理することで、遅延を抑えつつ的確なコーチングを実現します。

ランニング体験全体を3つの専門エージェントが分担します。Plannerは天候やGoogle Maps情報を取得しワークアウト目標を設定します。Coachは走行中に「DANGER」「WARNING」「NOTICE」の3段階で簡潔な音声フィードバックを届けます。Breakは休憩と再開を管理し、ランナーが自分のペースで運動を続けられるよう支援します。

今後の展開として、胸部装着のスマートフォンに加えスマートグラスへの搭載を試作中です。グラスはより広く安定した視野を提供し、マルチモーダルモデルへの入力品質を大幅に向上させます。また、シンガポールの障害者支援機関SG Enableと提携し、実際の視覚障害ランナーとともに実地テストを進めています。エッジコンピューティングと深い環境理解の組み合わせにより、すべてのランナーに自立した走行体験を届けることが目標です。

デンマーク・コペンハーゲン発の医療AI企業Cortiは2026年5月20日、臨床特化型の音声認識モデル「Symphony for Speech-to-Text」を正式リリースしました。英語の医療用語における単語誤り率（WER）はわずか1.4%で、OpenAIの17.7%、ElevenLabsの18.1%、Whisperの17.4%を大幅に下回り、最大93%の精度改善を示しています。

同モデルの強みは、投薬量・測定値・日付などの臨床エンティティの再現率にも表れています。Cortiは98.3%を達成した一方、汎用モデルの最高値は44.3%にとどまりました。この54ポイントの差は、AIスクライブが医療現場で信頼されるか、医療過誤リスクとなるかの分水嶺です。

レガシー製品との比較でも優位性は明確です。医療音声認識の業界標準Dragon Medical Oneに対し、実臨床の英語ディクテーションでWER 4.6%対5.7%と19%の相対改善を達成しました。さらにスイスの多言語環境ではドイツ語2.4%、フランス語3.9%と、次点のシステムを大きく引き離しています。

Cortiの共同創業者兼CEOであるAndreas Cleve氏は、エージェントAI時代における音声認識の役割変化を強調しています。従来の音声認識は静的な文書生成が目的でしたが、自律型AIエージェントが臨床判断を支援する時代では、音声データは下流のAI推論の基盤となります。誤認識はすべての後続処理に波及するため、臨床グレードの精度が不可欠です。

今回の発表は、医療コーディングや臨床推論ベンチマークに続く6週間で3件目の成果です。汎用モデルが規制産業で天井に達しつつあるなか、垂直特化型AIラボの優位性を裏付けるデータが蓄積されています。Cortiのプラットフォームは英国NHSを含む医療機関を通じ、年間1億人以上の患者にサービスを提供しており、開発者登録は前四半期比30%増と勢いを増しています。

Googleは2026年5月19日のGoogle I/O 2026で、AIアシスタントアプリGeminiの大幅アップデートを発表しました。目玉となる新機能「Daily Brief」は、ユーザーの受信トレイやカレンダー、重要タスクを自動で集約し、優先度順に整理して次のアクションまで提案する朝の情報整理機能です。米国のGoogle AI有料会員向けに即日提供が始まっています。

アプリのデザインも全面刷新されました。「Neural Expressive」と呼ばれる新デザイン言語を採用し、流動的なアニメーション、鮮やかな配色、新フォント、触覚フィードバックを導入しています。AIの回答は重要情報を冒頭に太字で表示し、スクロールに応じて画像やタイムラインが展開される構成に変わりました。

常時稼働型のAIエージェント「Gemini Spark」も発表されました。クラウドベースで動作するため、スマートフォンをロックしていてもバックグラウンドで作業を続行できます。カスタムワークフローの作成にも対応し、来週にはGoogle AI Ultra会員向けに提供予定です。

動画生成の分野では新モデル「Gemini Omni」が登場しました。テキスト・画像・音声を入力として高品質な動画を生成でき、Google FlowやYouTube Shortsとの連携が予定されています。月間9億人超のユーザーを擁するGeminiアプリをチャットボットから総合AIハブへ進化させ、ChatGPTやClaudeに対抗するGoogleの戦略が鮮明になっています。

Googleは2026年5月19日、年次開発者会議Google I/Oで、あらゆる入力から動画を生成できる新しいマルチモーダルモデル「Gemini Omni」を発表しました。CEOのサンダー・ピチャイ氏は「あらゆる入力からあらゆるコンテンツを生成できる」と説明し、テキスト予測から現実のシミュレーションへとAIが進化する次の段階だと位置づけています。

Gemini Omniは、テキスト・画像・音声・動画を組み合わせて入力し、単一のモデルで高品質な動画を出力できます。従来のように複数の専門モデルを連携させるのではなく、1つのモデル内で複数のモダリティを横断的に推論するため、一貫性のある編集が可能です。自然言語で指示を重ねる会話的な動画編集に対応し、前の指示を記憶したまま場面を発展させることができます。

最初のモデルとなるGemini Omni Flashは本日からGeminiアプリ、YouTube Shorts、動画編集ツールFlowで提供が開始されました。現時点では10秒の動画生成に対応しており、今後より長い動画にも対応予定です。AI Plus（月額20ドル）以上のサブスクリプションプランで利用でき、開発者・企業向けのAPI提供は数週間以内に予定されています。上位モデルのOmni Proの公開時期は未定です。

企業向けの活用領域は幅広く、マーケティング動画の量産、社内研修コンテンツの作成、製品デモの自動生成などが想定されています。また、ユーザー自身の声と姿を使うデジタルアバター機能も提供され、ディープフェイク防止のため録画と音声による本人認証が求められます。すべての生成動画にはGoogleのSynthID電子透かしが埋め込まれ、AI生成コンテンツの検証が可能です。

競合環境としては、ByteDanceのSeedance、KuaishouのKling AI、英SynthesiaのAIアバターなどが存在します。GoogleはNano Bananaに続くマルチモーダル統合の成果としてOmniを位置づけており、画像やオーディオの出力にも将来的に対応する計画です。企業の導入にあたっては、API公開後にデータガバナンスや利用規約を確認した上で本格運用に移行することが推奨されています。

Googleは2026年5月19日のGoogle I/Oで、AIデザインツールStitchの大幅アップデートを発表しました。新たに搭載されたStitch Agentにより、ユーザーはAIとリアルタイムで共同作業しながらデザインを進められるようになります。テキストプロンプトや音声入力、既存のコードベースやデザインファイルを起点に制作を開始できます。

最大の特徴は、AIの生成過程がキャンバス上にリアルタイムでストリーミング表示される点です。従来のように完成を待つ必要がなく、生成途中でもユーザーが方向性を修正できる「ステアリング」機能が加わりました。これにより、デザインの試行錯誤が大幅に効率化されます。

制作したデザインはGoogle AI Studioを通じて即座に共有リンクを生成できます。本格的な開発に移行する際は、Google Antigravityにエクスポートしてバックエンドロジックを組み込むことが可能です。また、Netlifyとの連携により、デザインをそのままWebサイトとして公開することもできます。

これらの新機能は本日よりグローバルで利用可能です。プロンプトベースのUIデザインからプロトタイプ、さらにはWeb公開までを一気通貫で行える点は、デザイナーやプロダクト開発チームのワークフローを根本的に変える可能性があります。

Googleは2026年5月19日、年次開発者会議Google I/O 2026を開催し、AIモデル・エージェント・デバイスにわたる大規模な発表を行いました。CEOのスンダー・ピチャイ氏は「エージェント型Gemini時代への突入」を宣言し、月間処理トークン数が前年比7倍の3.2京超に達したと報告しました。Geminiアプリの月間アクティブユーザーは9億人を突破しています。

最大の目玉は新モデルGemini 3.5 Flashです。前世代のGemini 3.1 Proをほぼ全ベンチマークで上回りながら、他社フロンティアモデルの4倍の出力速度を実現しました。Google社内では1日あたり3兆トークンを処理しており、コーディングやエージェント用途に最適化されています。合わせて動画生成が可能なGemini Omni Flashも公開され、テキスト・画像・映像・音声を入力に動画を生成できます。

エージェント分野では、Google Cloud上で24時間稼働する個人向けAIエージェントGemini Sparkが発表されました。Gmail・Docs・Sheetsなどと連携し、メール作成やスケジュール管理を自律的に実行します。検索には「情報エージェント」が導入され、ユーザーの関心事をバックグラウンドで常時監視し、条件に合致した情報を通知します。開発者向けにはAntigravity 2.0デスクトップアプリが公開され、複数エージェントの並列実行やGemini APIでのマネージドエージェント機能が利用可能になりました。

検索体験も刷新されました。25年以上ぶりの検索ボックス大幅改修で、AIが意図を先読みして提案する「インテリジェント検索ボックス」が全世界に展開されます。エージェント型コーディングにより、検索結果としてインタラクティブなUIやミニアプリをリアルタイム生成するGenerative UI機能もこの夏に無料で提供予定です。小売分野では複数店舗の商品を一括購入できるユニバーサルカートが導入されます。

ハードウェアでは、Samsung・Warby Parker・Gentle Monsterと提携したAndroid XRスマートグラスを今秋に発売すると発表しました。音声対話とカメラによるGemini連携を備え、リアルタイム翻訳にも対応します。料金面ではAI Ultraプランに月額100ドルの新ティアを追加し、従来の250ドルプランは200ドルに値下げしました。DeepMindのハサビスCEOはAIによる開発者置き換えに否定的な見解を示し、生産性向上で「3〜4倍の仕事をこなす」方針を強調しました。

Googleは2026年5月19日のI/Oカンファレンスで、AI動画・画像制作ツールGoogle Flowの大型アップデートを発表しました。新たに搭載されたGemini Omni Flashモデルにより、動画生成の品質が大幅に向上し、ユーザーが自分自身のアバターをAI動画に挿入できる機能が追加されています。

アバター機能では、ユーザーがスマートフォンで自分の顔と声を複数の角度からスキャンして登録します。登録後は、任意のAI生成動画に自分のデジタルクローンを挿入でき、背景の変更や服装の調整といった編集指示にもOmni Flashが対応します。Google Labs製品担当副社長のElias Roman氏は「撮影なしで自分をコンテンツに登場させたいクリエイター向けの機能」と説明しました。この仕組みは、OpenAIが昨年提供し約7カ月で終了したSoraアプリのセルフディープフェイク機能と類似しています。

生成されたすべての動画にはSynthID透かしが埋め込まれ、AI生成コンテンツであることを識別可能にしています。また、現時点では他人のアバター生成は許可されず、自分自身のみが対象という制限を設けることで、悪用リスクへの配慮を示しています。

クリエイター支援の面では、Google Flow Agentがプロジェクト全体を通じた企画・編集パートナーとして機能します。ブレインストーミングからバッチ編集、アセット整理まで、Geminiモデルを活用した幅広いタスクに対応します。さらに自然言語で画像エディタやカスタムシェーダーなどのビスポークツールを作成でき、他のユーザーと共有・リミックスすることも可能です。

Google Flow Musicにも新機能が追加されました。楽曲のセクション単位での精密編集、フルトラックのスタイル変換（カバー機能）、そしてOmni Flashを活用したミュージックビデオ生成が利用可能になっています。FlowとFlow Musicの両方でモバイルアプリも提供開始され、外出先での制作にも対応します。

Googleは2026年5月19日のGoogle I/O 2026で、エージェント開発基盤Antigravity 2.0を発表しました。デスクトップアプリ、コマンドラインツール（CLI）、SDKの3つのインターフェースを提供し、開発者がAIエージェントを構築・運用するための統合環境を大幅に拡充しています。新モデルGemini 3.5 Flashを基盤とし、既存のフロンティアモデルの4倍の速度で動作します。

新しいデスクトップアプリでは、複数のエージェントを同時に起動してタスクを並列処理できます。動的なサブエージェント生成やバックグラウンドでのスケジュール実行にも対応し、Google AI Studio、Android、Firebaseとの統合も可能です。音声コマンドによる操作機能も追加されました。

同時に発表されたManaged Agentsは、Gemini APIに統合されたマネージドエージェント機能です。1回のAPI呼び出しで隔離されたLinux環境が起動し、エージェントが自律的に推論・ツール使用・コード実行を行います。セッション状態が永続化されるため、後続の呼び出しでファイルや作業状態を引き継いだマルチターン対話が可能です。

開発者はマークダウンファイルで独自の指示やスキルを定義し、カスタムエージェントとして登録できます。RampやResemble AIなど早期導入企業からは、インフラ構築の負担が大幅に軽減されたとの評価が寄せられています。エンタープライズ向けにはGemini Enterprise Agent Platformでのプライベートプレビューも開始しました。

料金面では、月額100ドルの新しいAI Ultraプランを導入し、Proプランの5倍の利用枠を提供します。最上位プランは250ドルから200ドルに値下げされました。期間限定で新規・既存のAI Ultra加入者に100ドル分のボーナスクレジットも提供されます。AnthropicやOpenAIと同様の段階的料金体系を整備し、異なる利用規模の開発者に対応しています。

Googleは2026年5月19日のGoogle I/O 2026で、AI搭載スマートグラスを今秋に発売すると発表しました。アイウェアブランドのWarby ParkerとGentle Monsterとの提携により、デザイン性と実用性を両立した「オーディオグラス」として展開します。SamsungおよびQualcommと共同開発したAndroid XRプラットフォーム上で動作し、AndroidとiOSの両方に対応します。

最大の特徴は、Geminiをフル活用したAIアシスタント機能です。「Hey Google」と話しかけるかフレームをタップするだけで、周囲の情報に関する質問、ターンバイターンのナビゲーション、リアルタイム音声翻訳、写真撮影と編集など多彩な操作をハンズフリーで実行できます。Doordashでのコーヒー注文やUberの配車手配など、外部アプリとの連携もサポートします。

Googleにとってスマートグラスは、かつて「グラスホール」という蔑称を生んだGoogle Glass以来の再挑戦となります。現在のスマートグラス市場ではMetaがRay-Banとの協業で先行しており、Googleは有力ファッションブランドとの提携とGeminiの高度なAI機能で差別化を図る戦略です。

まずオーディオグラスが今秋に先行発売され、情報をレンズ上に表示するディスプレイグラスも将来的に投入予定です。終日快適に着用できるデザインを重視し、各ブランドのフルコレクションの一部として展開されます。Googleはスマートグラスを日常のAIインターフェースとして定着させることを目指しています。

Googleは2026年5月19日のI/O開発者会議で、Gmail、Docs、Keepの3つのWorkspaceアプリに音声AIを統合する新機能を発表しました。Gemini AIを基盤とした「Gmail Live」「Docs Live」および音声対応Keepにより、ユーザーはキーボード入力なしでメール検索、文書作成、メモ整理が可能になります。

Gmail Liveは受信トレイ内の情報を音声で検索できる機能です。「次のフライトのゲート番号は？」「子どもの学校行事はいつ？」といった自然な質問に対し、受信メールの内容を横断的に分析して回答します。従来のキーワード検索では難しかった複雑な問い合わせにも対応し、フォローアップの質問や話題の切り替えも理解します。

Docs Liveでは、声で話すだけで文書の下書きを自動生成できます。GmailやGoogle Drive、Chatなどから関連情報を取得し、思考の整理から構成の組み立てまでをAIが支援します。途中で考えが変わった場合も、同じ会話の中で修正を反映できます。GoogleのピチャイCEOは、将来的には音声だけで文書の作成・編集が完結する世界を目指すと述べています。

Keepでは、思いついたことを声で話すだけで、AIが内容を理解して整理されたメモやリストに変換します。買い物リストやリマインダーなど、構造化されたノートを自動生成する機能です。この種の音声メモ機能はVoicenotesやAudioPenなどのスタートアップが先行していましたが、Googleが自社エコシステムに統合した形です。

これらの機能は2026年夏からGoogle AI ProおよびUltraの契約者向けにモバイルで順次提供されます。KeepのAndroid版が先行し、その後GmailとDocsが続く予定です。Googleは音声入力が複雑な指示を伝える手段として優れていると判断しており、Workspace全体への音声AI統合を加速させています。

Amazonは2026年5月18日、AIアシスタントAlexa Plusに「Alexa Podcasts」機能を追加したと発表しました。ユーザーが任意のトピックを指定すると、AIが情報を収集し、2人のAIホストによる対話形式のポッドキャストエピソードを数分で自動生成します。米国のユーザーを対象に提供が開始されています。

エピソード生成の流れはシンプルです。ユーザーがトピックを伝えると、Alexa Plusがエピソードの概要を提示します。ユーザーは長さ・トーン・焦点を調整でき、確定後にAI音声で収録されます。完成するとEcho ShowやAlexaアプリに通知が届き、再生・保存が可能です。

情報の正確性を担保するため、AmazonはAP通信、Reuters、Washington Post、Politico、Vox Mediaなど200以上の報道機関と提携しています。リアルタイムの情報にアクセスできる体制を整えており、ニュースや複雑なトピックでも信頼性の高いコンテンツ生成を目指しています。

この機能はGoogleのNotebookLMが先行していたAI生成ポッドキャスト領域へのAmazon参入を意味します。Microsoft Edgeも同様の機能を追加しており、AI音声コンテンツ市場の競争が激化しています。一方で、AI生成音声の倫理面や既存クリエイターへの影響を懸念する声もあります。

Amazonは今後、カスタムニュースブリーフィングやユーザー自身のドキュメントからの音声コンテンツ生成など、パーソナライズされたAI音声体験の拡充を計画しています。Alexa Plusを単なる音声アシスタントからAIコンテンツ生成プラットフォームへと進化させる方針です。

AI動画生成スタートアップのRunwayが、動画生成ツールの提供から「世界モデル」の構築へと事業の軸足を移しつつあります。世界モデルとは物理環境をシミュレーションし、現実世界の振る舞いを予測するAIシステムです。共同創業者のGermanidis氏は、言語モデルが人間の記述したテキストから学習するのに対し、世界モデルは観測データから直接学習することで、より偏りのない知能を実現できると主張しています。

Runwayは2018年にNYU芸術学部出身のチリ人2名とギリシャ人1名が創業し、映画制作者向けAIツールで名を上げました。最新モデルGen-4.5やLionsgate・AMCとの提携を通じ、評価額53億ドル、2026年第2四半期だけでARRを4000万ドル積み増すなど商業面でも成長しています。2025年12月には初の世界モデルをリリースし、ロボティクス部門では実環境でのテスト・導入も始まっています。

同社の究極の目標は、動画・音声・センサーなど複数のモダリティを統合した単一モデルで「宇宙のデジタルツイン」を構築することです。Germanidis氏は、科学実験の待ち時間を圧縮できれば科学の進歩そのものを加速できると語り、生物学的世界モデルによる抗老化研究を個人的なムーンショットに掲げています。

しかし競争環境は厳しく、GoogleのVeoとGenieが動画生成・世界モデルの双方でRunwayと直接競合しています。Yann LeCunのAMI Labs（10.3億ドル調達）やフェイフェイ・リーのWorld Labs（12.9億ドル調達）も同じ領域を狙っています。Runwayの累計調達額は8.6億ドルで、OpenAIの約1750億ドルやAlphabetの時価総額4.86兆ドルとは桁違いの差があります。

一方、OpenAIが動画プラットフォームSoraを1日100万ドルの計算コストに耐えきれず3月に閉鎖した事例は、資金力だけでは生き残れないことを示しています。スタンフォード講師のKatanforoosh氏は、ElevenLabsがリソースで劣りながらOpenAIやGoogleを凌駕した例を挙げ、Runwayにも同様の可能性があると指摘します。シリコンバレー外から出発した独自の文化と早期収益化の姿勢が、この競争における同社の武器です。