音声AI

コラム

DeepSeekアプリの機能がAPIで丸ごと使える——検索・資料読み取り・音声・安全チェックを自社サービスに、できることと料金をやさしく解説

DeepSeekが、アプリで使っているウェブ検索、ファイル読み取り、リンク読み込み、安全チェック、音声の読み上げ・文字起こしをAPIで開放しました。できること、デモアプリ、料金、使うときの注意点を公式情報からやさしく解説します。
コラム

相づち・割り込みに対応する日本語AI「Shizuku-Duplex」

Shizuku AIが2026年11月8日、相手の話を聞きながら相づちを打ち、割り込みにも対応する日本語のFull-Duplex音声対話モデル「Shizuku-Duplex」を発表しました。仕組みと公式の評価、いま分かっている範囲を公式情報だけで整理します。
コラム

Metaの「Muse」が声で話せるように——自分専用画面「スペース」とMuse Wonder譲りの新モデルも登場

MetaのパーソナルエージェントMuseに、表情豊かなアバターとの音声会話、言葉で自分専用の画面を作れる「スペース」、Muse Wonderの学びを取り入れた特化モデルが加わりました。公式発表をもとに、できること・評価テストの数値・日本での提供状況を整理します。
コラム

NVIDIAの音声強化AI「NemotronLabs RE-USE」とは?雑音・反響をまとめて消す小型モデルの性能・試し方・注意点

NVIDIAが、雑音・反響・音割れ・こもった音などをまとめて直す音声強化AI「NemotronLabs RE-USE」を商用利用可能なライセンスで公開しました。わずか960万パラメーターの小型モデルの公式性能、無料デモでの試し方、必要な機材とライセンス上の注意点を、エンジニアでない方向けに整理します。
コラム

NVIDIA Nemotron 3.5 Transcribeの使い方——日本語の文字起こし・翻訳・話者分離を1つで、試し方と必要なGPU

NVIDIAが発表したオープンウェイトの音声AI「Nemotron 3.5 Transcribe」の使い方を解説。ブラウザのデモ・クラウドAPI・自社GPUの3通りの試し方、必要なGPU、日本語対応、商用ライセンスをわかりやすく整理します。
コラム

Grok Botが電話をかけられるように?イーロン・マスク氏がXで発表した「代わりに電話する」機能をわかりやすく解説

イーロン・マスク氏がXで、Grok Botが人やお店に電話して用件を伝え、会話の要約を送れるようになったと投稿しました。公式情報で分かること・まだ分からないこと、日本の事業者が使うときの注意点をまとめます。
コラム

Gemini 3.8 TTSとは?声をデザインして演技まで指示できるGoogleの音声合成AI

Googleの新しい音声合成モデル「Gemini 3.8 TTS」は、言葉で注文して声を作ったり、本人の同意のもとで声を再現したり、セリフごとに演技を指示したりできるのが特長です。高品質なFlash TTSと低価格なFlash-Lite TTSの違い、日本語対応、2026年末までの導入価格と仕事での使いどころを整理します。
コラム

NVIDIA Nemotron 3 Diarizationとは?——会議音声で「誰が話したか」を分けるオープンモデル

NVIDIAのNemotron 3 Diarizationは、会議や通話で「誰が・いつ話したか」を分けるオープンモデルです。最大8人対応と試し方をビジネス向けに整理します。
コラム

GPT-Live-1がAPIで利用可能に——話しながら裏で考える音声エージェント

OpenAIはChatGPTで先行していたGPT-Live-1をAPIでも提供開始した。同時に聞き話し、深い推論は別モデルへ任せる仕組みと、料金・接続方法を公式情報から整理する。
コラム

Gemini 3.8 Liveとは?会話を止めずに裏で作業するGoogleの音声AI

Googleが発表したGemini 3.8 LiveとExtended Thinkingは、話しながら裏でツールや推論を進められるリアルタイム音声モデル。一般向けの使いどころと提供範囲を公式情報から整理する。