文字起こしAPIを1時間15円に — Grok Voice Transcribe 2の「精度2倍」はどこまで信じていいか
xAIの文字起こしAPI「Grok Voice Transcribe 2」を深掘り。バッチ1時間15円という料金、精度2倍の主張とWERの根拠、話者分離など主要機能、Whisper・Deepgramとの違い、日本語対応の注意点まで整理する。
GrokxAI音声認識文字起こし音声AIWhisperDeepgramレビュー
# 音声AI
20件の記事
見て、聴いて、ツールを叩く — Qwen3.8-Omni-Flashが音声1時間を前世代の50分の1のコストで処理する
AlibabaのQwen3.8-Omni-Flashはテキスト・画像・音声・動画を1つの100万トークンで扱うオムニモーダルモデル。音声113言語対応、前世代比98%のコスト削減、エージェント用途に振った中身を解説。
QwenQwen OmniマルチモーダルAlibaba音声AI速報
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
CognitionがボイスモードのDevin Voiceと新コーディングモデルSWE-2を発表。声で指示できる仕組み、Fable 5.1比64%安いという主張、そしてSWE-2の意外なベースモデルを解説する。
DevinCognitionSWE-2AIコーディングKimi音声AI
電話に出るAIを2セント/分から作れる — 音声エージェント基盤ThunderPhoneの実力
本番運用できるAI電話エージェントを47言語・2¢/分から構築できるThunderPhoneを解説。平易な言葉で通話フローを設計する仕組み、3段階の料金、無料の通訳電話、導入時の注意点をまとめる。
ThunderPhoneAI音声エージェント音声AIAIエージェントレビュー
音声入力ツールに評価額20億ドル — Wispr Flowが自社モデル「Canto」で狙う「ディクテーションの先」
音声入力アプリのWispr Flowが評価額20億ドルで2.8億ドルを調達。自社音声モデルCantoの狙い、OS標準やWhisperとの違い、日本語で使えるのかまで解説する。
Wispr Flow音声AIAI音声入力資金調達速報
AIとの会話が「講義」から「雑談」に変わる — Oculus創業者が作った音声アプリSesame
Oculus創業者が手がける音声AIアプリSesameが登場。Maya・Milesら4体のエージェント、無料の使い方、ChatGPT音声モードとの違い、うっかりバレー越えと言われる自然さを整理する。
Sesame音声AIAIアシスタント音声エージェントレビュー
大きくするより、小さく尖らせる — 人間と聞き分けにくい音声AI、Smallest.aiの賭け
インドのSmallest.aiがSeries Aで1,300万ドルを調達。巨大LLMを速くするのではなく、会話特化の小型モデルで低遅延と自然さを両立する逆張り戦略と、新モデルHydraの中身を解説する。
Smallest.ai音声AITTS（音声合成）AIエージェント資金調達
優秀な担当者の「勝ちパターン」を通話から学ぶAI — Encore AIが約44億円を調達した理由
Encore AIは顧客との通話やメールを解析して"成果の出る話し方"をAI音声エージェントに学習させるスタートアップ。約44億円のSeries A調達の背景と、既存の音声AIとの違いを解説する。
Encore AI音声AIAIエージェント資金調達カスタマーサポート
取りこぼした電話が、そのまま失注になる — 電話とSMSを任せる音声AI「Leaping AI」
Leaping AIは電話とSMSを自動化するエンタープライズ向け音声AIエージェント。100件超の並列通話、多言語、CRM連携で予約・確認・追客を代行する。何ができて、どこが課題かを解説。
Leaping AI音声AIAIエージェントコールセンター営業自動化
「棒読みのAI音声」はもう古い — 声を1.5万通りに操るFish Audioが78億円を調達
Fish Audioは15秒の音声で声をクローンし、30以上の言語で自分の声を再現できるAI音声モデル。7月に約78億円を調達した実力、料金、ElevenLabsとの違いを解説する。
Fish Audio音声AIAI音声TTS（音声合成）ElevenLabsAIスタートアップレビュー
問い合わせの75%を人間なしで片付ける — OpenAIが企業向けに出したエージェント基盤「Presence」
OpenAIが企業向けエージェント基盤Presenceを発表。音声・チャットの顧客対応を75%無人化。ChatGPT Workとの違い、ガバナンス設計、SoftBankの日本語テストまで解説する。
OpenAIAIエージェント音声AIカスタマーサポート
xAI Voice Agent Builder公開 — Grok Voiceで音声エージェントをノーコード構築、$0.05/分
xAIがGrok Voiceベースの音声エージェント構築ツール「Voice Agent Builder」をベータ公開。ノーコード、$0.05/分。競合との違いを整理する。
xAIGrok音声AIAIエージェントノーコード速報
AIが「聞きながら話す」時代が始まった — 元OpenAI CTOが作った0.4秒応答モデルの正体
元OpenAI CTO創業Thinking Machines Labの0.4秒応答フルデュプレックスAI「Interaction Models」を解説。
Thinking Machines Lab音声AIAIリサーチMira Murati速報
OpenAIの音声AIが「考えてから話す」ようになった — GPT-Realtime-2と3モデル体制の全容
OpenAIのGPT-Realtime-2、Realtime-Translate、Realtime-Whisperの3モデルを解説。GPT-5クラスの推論を持つ音声AIの料金・機能・競合比較。
OpenAI音声AIAI音声TTS（音声合成）音声エージェント速報
車のダッシュボードがAIの激戦区になった — GrokがCarPlayに3番目のAIとして乗り込む
GrokがCarPlayに参入準備中。ChatGPT・Perplexityに続く3番目のAI。車内音声AI3社の特徴と選び方を整理。
GrokxAICarPlayApple音声AI
電話営業の成約率20%、サポート解決率70% — xAIの音声エージェントがStarlinkで出した実績
xAIの音声エージェントモデルgrok-voice-think-fast-1.0はStarlinkの電話営業・サポートで実績を出した。バックグラウンド推論の仕組みと実力を解説。
GrokxAI音声AI音声エージェントAIエージェント
Grokが音声APIに参入した — ElevenLabsの10分の1の価格で、精度は上
xAIがGrok STT/TTS APIを公開。文字起こし$0.10/時間、音声合成$4.20/100万文字。ElevenLabsの10分の1以下の価格で精度は上回る。料金・性能・使い所を整理した。
GrokxAI音声AITTS（音声合成）STT（音声認識）API速報
Google Nestがようやく「最後まで聞いてくれる」ようになった — Gemini for Home 4月アップデート
Google Nest向けGemini for Homeが4月にアップデート。発話の途中で遮られる問題、プレイリスト認識、複雑なリスト操作、そして新しいペアレンタルコントロールの中身を整理する。
GeminiGooglegoogle-home音声AIアップデート速報
Notionが「声」を手に入れた日 — Custom Skillsの共有機能と、5月3日に終わる無料トライアルの話
Notion AIがデスクトップ版の音声入力とCustom Skillsの共有・読み取り専用リンクを追加。5月3日までのCustom Agents無料トライアルと合わせて、今Notionで何ができるかを整理する。
NotionAIアシスタントAIエージェント音声AI自動化
ChatGPTがApple CarPlayに対応 — 運転中にハンズフリーでAIと会話できる時代へ
ChatGPTのApple CarPlay対応を解説。設定方法、運転中の活用例、Siri・Google Assistantとの使い分け、音声専用の制限事項を整理
ChatGPTOpenAICarPlayApple音声AI