AI の全ニュース

iFLYTEK Xinghuo、90年代生まれが最前線へ

組織再編の一場面 1990年、17歳の理系学生が重要な決断を下した。 彼は清華大学の自動車工学専攻への推薦入学の機会を辞退し、中国科学技術大学で音声合成技術を専攻することを選んだ。その9年後、彼と十数人の科大生が立ち上げた「ガレージ....」

X-ダビング：時間的および視覚的制約下での音声間翻訳

arXiv:2610.32042v1 発表タイプ：新規 要旨：言語間吹き替えは、元の映像と同期したまま、ソース音声をターゲット言語の音声に変換することを目的としています。この課題の鍵は、言語ごとに異なる持続時間、リズム、発音特性といった違いを克服しつつ、元の映像のタイミングに合わせて自然に話せる忠実な翻訳を生成することです。本論文では、X-Dubbing を提案します。これは、時間意識型の音声からテキストへの翻訳と、映像意識型のテキストから音声への合成を統合した問題として捉えています。具体的には、本手法は、時間構造化された台本を生成する「ダビング・トランスレーター」と、ソース映像と同期してそれを再生する「ボイス・アクター」から構成され、両者とも言語非依存のタイミング予算に基づいています。さらに、我々はトランスレーターを改良し、ダブ…

アポロのチーフエコノミストは、AIがテクノロジー業界以外の米国企業にもたらす「財務上のリターンはゼロ」だと述べた

アポロ・グローバル・マネジメントのチーフエコノミスト、トルステン・スロック氏は、S&P 493（S&P 500から7大テクノロジー企業を除外したもの）を分析した結果、非テクノロジー企業の利益率は1人当たり売上高と同水準であり、AIが生産性を向上させているという証拠は見当たらないと指摘しました。さらに、AIには説明責任や信頼、企業文化といったビジネスの重要な要素に対する理解が欠如しているため、まだ財務面での効果をもたらしていないと述べています。

注目する理由：この見解は、主要な上場企業群（S&P 493）に関する実証的観察に基づいており、明示的なデータ範囲と制限条件（AlphabetやAmazonなど7社のテクノロジー企業を除外）を引用し、最近の複数の研究結果とも呼応しているため、検証可能な分析フレームワークと明確な帰属の境界を備えています。

Amazon SageMakerがKokoro-82M TTSモデルをリリースし、AI音声エージェントによる低遅延のストリーミング音声合成をサポートします

AWSは技術ソリューションを発表し、SageMakerでホストされるKokoro-82Mのテキスト音声変換モデルを活用して、双方向WebSocketを通じてAIエージェントがテキストを生成しながら同時に音声を合成することで、エンドツーエンドの音声応答遅延を大幅に低減します。このソリューションでは、Base64-SSEと統一バイナリ転送の2種類のオーディオ戻り方式を提供しており、明示的に「価値検証型」（proof-of-value）と位置付けられていますが、まだ本番運用に向けた準備状態には至っていません。

Amazon SageMaker TTSサービスによる測定駆動型の自動スケーリングの実現：Kokoro-82Mモデルを例として

AWSブログでは、テキスト音声変換（TTS）モデルをSageMakerのリアルタイムエンドポイントにデプロイする際の、経験に基づく推測に頼らない実証的な自動スケーリング手法について紹介しています。この手法は、Q_max（単一インスタンスで持続可能な最大同時リクエスト数）とT_total（計画的スケーリングに要する時間）という2つの実測指標を基に、再現性と検証可能性を備えたスケーリング戦略を構築します。

IBMがGranite Speech 5.0シリーズの音声モデルを発表：多言語の文字起こし・翻訳および話者識別に対応

IBMは、Granite Speech 5.0シリーズの3つのオープンソース音声モデルを発表しました。granite-speech-5.0-2b（高精度な多言語ASR/MT）、granite-speech-5.0-470m-turboctc（超高速なエッジ端末向け多言語トランスクリプション）、および更新版のgranite-speech-4.1-2b-plus（強化型の複数話者対応会話モデリング）です。これらはすべてApache 2.0ライセンスに基づいており、主流の推論フレームワークをサポートしています。

MistralがVoxtral 3音声インテリジェントエージェントSDKを発表：50以上の言語によるリアルタイム音声対話と感情表現型TTSをサポート

Mistralは2026年10月26日までに、多言語対応のリアルタイム音声対話向けエンドツーエンドSDKおよびモデルファミリーであるVoxtral 3を発表する予定です。同製品は、ASR（話者分離機能を含む）、推論層、TTSの三大モジュールを網羅しており、データ主権とモジュール型デプロイを重視しています。ただし、すべての性能に関する主張はメーカーによる自己テストに基づくもので、独立した第三者による検証は行われていません。

Gemini 3.8 text-to-speech says hello

Gemini 3.8 text-to-speech says hello

低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く

低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く

Gemini 3.1 Flash TTS: the next generation of expressive AI speech

Our newest audio model introduces granular audio tags that give you precise control to direct AI speech for expressive audio generation.