Devinと声で会話しながらコードを書く時代へ — 新モデルSWE-2の意外な正体

キーボードから手を離して、ヘッドホン越しに「さっきのバグ、どこが原因だと思う？」と話しかける。相手は同僚ではなくAIエージェントで、こちらが喋っている間も裏で環境を立ち上げてコードを直し、テストを回している——。

Cognitionが9月10日に発表した Devin の新機能「Devin Voice」は、そういう体験を狙ったものだ。同時に、Devinの頭脳にあたる新しいコーディングモデル「SWE-2」も投入された。声のUIと新モデル、この2つがセットで来たところにCognitionの狙いが見える。

「話しかけてコードを書かせる」がどこまで実用的か

Devin Voiceは、いわゆるフルデュプレックス（全二重）の音声モードだ。こちらが話している最中にもDevinが割り込んで応答でき、ミリ秒単位のインタラプトに対応する。要するに、電話で人と会話するときのテンポでやり取りできる、というのがウリになっている。

使い方はシンプルで、Agentモードのメッセージ欄の横にある通話ボタンを押してマイクを許可するだけ。ミュート中でもスペースキーを押している間だけ話す、といった細かい操作もある。裏側では音声モデルの「GPT-Live」と、後述するSWE-2が組み合わさって動いているとされる。

正直に言うと、私はこの手の「声でコーディング」に半信半疑だった。込み入ったロジックを声で正確に伝えるのは難しいし、変数名やパスを口頭で言うのは苦行になりがちだ。ただ、Devin Voiceが賢いのは、声を「精密な入力」ではなく「方向づけ」に使わせている点だと思う。細かい実装はエージェントが勝手に環境で試し、人間はアーキテクチャの相談や「その方針でいい」「そっちじゃない」という舵取りをする。キーボードでの精密な作業と、歩きながら/席を立ちながらの会話的な指示を、シーンで使い分けられるようになる。

この分け方がうまく機能するなら、レビュー待ちの時間や移動中に「あの実装どうなった？」と口頭で状況を確認し、次の一手を指示する、という働き方が現実になる。エディタに張り付いていない時間もエージェントを遊ばせずに済む、というのは地味だが効く変化だ。

SWE-2の正体は、中国発のオープンモデルだった

個人的にいちばん驚いたのは、Devinの新しい頭脳であるSWE-2の出自だ。SWE-2は、Moonshot AI（月之暗面）の Kimi K3 をベースにポストトレーニングしたモデルだという。Kimi K3は2.8兆パラメータ級の巨大なオープンウェイトモデルで、つまりCognitionは自前でゼロからフロンティアモデルを作るのではなく、中国発のオープンモデルの上に自社の強化学習を積み上げるという道を選んだ。

これは象徴的な話だと思う。西側のAI企業が中国のオープンモデルを土台にして製品を組む、という構図が、もはや珍しくなくなってきた。オープンウェイトの重みが世界のどこで公開されても、それが誰の製品の中核になるかは別問題——という当たり前のことが、コーディングエージェントという最前線で起きている。

学習面でもうひとつ面白いのは、Cognitionが「複数の推論努力レベルを1回の強化学習で同時に最適化し、ロールアウトのコストそのものにペナルティをかける」手法を採ったと説明している点だ。要は、賢さだけでなく「1タスクあたりいくらかかるか」を最初から学習目標に組み込んでいる。エージェントは同じ問題を何十ターンも試行錯誤するのでコストが膨らみやすい。そこを設計段階で締めにいったわけだ。

ベンチマークと「64%安い」の中身

Cognitionが公表した数字を並べると、SWE-2はFrontierCode 1.1 Mainで50.0%、Terminal-Bench 2.1で92.8%、DeepSWE 1.1で73.0%。特にFrontierCodeの50.0%は、Anthropicの Claude Fable 5.1 にわずか1ポイント差まで迫る水準だとしている。

そのうえでCognitionは「同じFrontierCodeのスコア帯を、Fable 5.1比で64%安く出せる」と主張する。前世代のSWE-1.7と比べても、同等以上のスコアを58%少ないターン数・平均81%安いコストで達成した、としている。

ここは冷静に見ておきたい。ベンチマークの数字も「64%安い」も、あくまでCognition自身の計測であり、第三者の再現ではない。コーディングエージェントのベンチマークはタスクの選び方や許可するターン数で結果が大きく動くので、「フロンティアに1ポイント差」を額面通りに受け取るのは早い。とはいえ、価格を武器にフロンティアの一段下に居座る、という位置取りは明確だ。最上位が必要な場面はFableやGPTに任せ、日常の大半はSWE-2で安く回す——そういう住み分けを狙っている。

料金と使える場所

執筆時点での提供状況を整理すると、こうなる。

• Devin Desktop / CLI: 10月10日までSWE-2の利用が無料（キャンペーン扱い）
• Devin Pro: 月額20ドル（約3,000円）にSWE-2が含まれる
• エンタープライズAPI: 12月31日までリスト価格の75%オフ。入力100万トークンあたり3.00ドル、出力15.00ドル、キャッシュ入力0.30ドル
• Web版とマルチモデルワークフロー「Fusion」へも順次展開中

注意したいのは、SWE-2のオープンな重みは公開されておらず、誰でも叩ける汎用の公開APIも用意されていない点だ。ベースがオープンモデルのKimi K3であっても、SWE-2そのものを動かす手段は当面Devinの各インターフェース（とエンタープライズ契約）に限られる。オープンな土台を使いつつ、成果物は自社サービスに囲い込む、という設計思想がここにも出ている。

月20ドルでフロンティア級の一段下が使い放題、というのは、Devin SWE-1.7 の頃から続くCognitionの価格戦略の延長線上にある。個人開発者や小規模チームにとって、この価格帯でコストを気にせずエージェントを回せる意味は大きい。

この組み合わせで何が変わりうるか

声のUIとコスト最適化されたモデル、という2つを掛け合わせると、いくつか現実味のある使い方が見えてくる。

ひとつは、「常時稼働の相棒」化だ。コストペナルティを学習に組み込んだSWE-2なら、長時間エージェントを走らせっぱなしにしても財布が壊れにくい。そこに音声での状況確認が加われば、席を立っている間もDevinに作業を任せ、戻る前に口頭で進捗を聞いて方針を微修正する、という運用が回る。

もうひとつは、ペアプロの再定義だ。これまでAIコーディングは「指示を打ち込む→結果を待つ」の非同期なやり取りが中心だった。フルデュプレックスの音声が実用に耐えるなら、人間が設計を声で考えながら、エージェントが並行して手を動かす、という同期的な協働に近づく。うまくいけば、レビューや設計相談のような「言葉にしづらいが重要な工程」がエージェントとの間でも成立するかもしれない。

もちろん、これらは「音声認識とインタラプトが本当に滑らかに動けば」という前提つきだ。デモの快適さと日常の実用性の間には、たいてい大きな溝がある。そこは実際に触ってみないと判断できない。

総評

Devin VoiceとSWE-2の同時発表は、単なる新機能の追加というより、Cognitionの立ち位置を明確にした一手だと感じる。フロンティアの最高性能を追いかけるのではなく、「フロンティアの一段下を、声で操れて、圧倒的に安く」という価値で勝負する。ベースに中国発オープンモデルを据えた割り切りも含めて、戦略として一貫している。

気になるのは、性能・価格ともにCognition自身の数字である点と、SWE-2が実質Devin専用である点。オープンモデルの恩恵を受けながら成果を囲い込む構図は、賢い一方で「結局Devinから出られない」という縛りにもなる。それでも、月20ドルで試せて、しかも10月10日まで無料枠がある以上、AIコーディングを日常的に使う人なら一度は音声モードを触ってみる価値はある。声でコードを書く未来が来るのか、それとも結局キーボードに戻るのか——その答えは、使ってみた人の手応えが決めるはずだ。