1112 | AI新製品ダイジェスト：音声から端末まで

葵: こんにちは、火曜日のAIショートレポート、パーソナリティの葵です。

悠真: 悠真です。よろしくお願いします。

葵: 今日は24時間以内に更新のあったAI関連のリリースから、気になるものをいくつか拾って、問題意識から解決策、判断材料まで一つずつしっかり掘り下げていきます。声と画像とエージェント、あたりが今週も熱いんですよね。

悠真: そうですね。まずは音声AIから。ここ最近の音声まわりの進化がいちばん速い印象があります。今日は認識の側と、電話をかける側、両方の話ができるんですよ。

葵: じゃあ認識からいきましょう。ElevenLabsのScribe v3。音声を文字にするモデルの新バージョンです。

悠真: ずばり、前のv2より単語誤り率が27%下がった、というのが最大の売り。2〜3割というのは音声認識だとかなり大きい数字です。精度の世界だと、ひと桁パーセント単位の改善で「すごい」と言われるので、27%減というのは体感が変わるレベル。

葵: それに対応言語が90以上。話者分離は32人まで。つまり誰が今話したのかを最大32人分に分けて書き出せる。会議の議事録とか、インタビュー、大人数のディスカッションを録ったときに、そのまま誰の発言かが追えます。

悠真: もうひとつ気になるのがLive版。文字起こしの遅延が150ミリ秒未満。これはほぼリアルタイムで字幕が出ると思っていい遅延です。ライブ配信の字幕とか、対面で話してる最中に文字が出るような用途がいける。

葵: 認識がここまで下支えされたとして、次はその声をAI自身が「出す」方向の話。電話です。今日は2本入ってます。

悠真: ひとつはMitra MCP。これはAIエージェントが電話をかけられる仕組みで、ポイントは「あなたの個人番号で」発信できること。相手の画面に出る発信者番号が、実はあなたの番号なんですよね。

葵: そして通話中に人を介入できる。AIが話してる最中に、必要になったらあなたにバトンタッチして、またはあなたが割って入る。Claude、ChatGPT、Grokと対応するモデルが書かれてます。

悠真: もうひとつはCALL-E。こちらはAIが代わりに電話をかけてくれるサービスで、まず計画を出して、あなたが確認してから発信する流れ。かけてからも、電話の自動音声メニューを選んだり、保留になったり、留守電に残したり、こういう「現実の電話でつまずくところ」を越えて、最後に要約と文字起こしを返してくると。新規ユーザーには100クレジットが付くとあります。

葵: このふたつ、方向性がちょっと違うんですよね。Mitraはあなたの番号で、あなたの側に人が残れる設計。CALL-Eは手順の確認を事前に挟む、いわば委託型。

悠真: ここで落としておきたいのは、どちらもメーカーの説明がベースで、実際の通話の品質や失敗パターンはまだ検証されてない、ということ。特にMitraの実番号利用は、発信者番号を自分にするということは、相手から見ればあなた本人からの電話と区別がつかないわけで。そこが便利な反面、なりすまし的な誤解を生む余地もあり得る。安全設計の部分は今後の実装次第です。

葵: そうですね。あと対応モデルがClaude、ChatGPT、Grokと今は書かれてますけど、他モデルへの広がりがどうなるか。対応が広がれば使い分けの選択肢も増えます。

悠真: 認識側で言えば、早期の端側ストリーミング認識であるEarlybirdというのがあって、これは後でローカルAIの話題でもう一度出てきます。音声AIは「モデルの精度」と「どこで動くか」の両輪で進んでる、というのを押さえておくと今日の流れがつかみやすいです。

葵: では画像生成。今日は2本。

悠真: MiniMaxのH3-Image。これはオープンウェイトのモデルです。6ステップの拡散でネイティブ16メガピクセル、4Kの画像が10秒未満で出る、と。参照図は16枚まで対応。

葵: 参照図16枚というのが結構面白いところで。人物の一貫性とか、複数のモチーフを同時に守りながら1枚を出す、そういう用途に寄ってる感じです。

悠真: 重量はローカルで約69GB。つまり重みは公開されてるけど、手元で動かすにはそれなりのディスクとメモリが要る。オープンウェイトだけど、実質的にはある程度の装備が要るモデル、というところは押さえておくべきです。

葵: もうひとつは字節のSeedream 5.5。こちらは「編集」の精度が売りで、100回の部分編集でも、触ってない部分はピクセル単位で保持される。これは大きい。部分編集を繰り返すと、触ってないところがだんだん崩れていく、っていうのが従来の悩みだったので。

悠真: あとは透明背景がネイティブ対応、テキスト描画も改善と。テキストは画像生成の永遠の課題だったので、ここが強くなるとロゴやバナー制作側の実用性が上がります。

葵: このふたつ、競争軸がはっきりしてますね。MiniMaxは速度と重み公開で、Seedreamは編集の正確さで。どっちも「生成して終わり」じゃなくて「使えるレベルに持っていく」工程に寄ってる。

悠真: 注意として、数字はどちらも開発側の主張です。実際の画風の好みや、得意不得意は使ってみないと分からない。著作権的な編集の境界、つまり元画像にどこまで近い編集が認められるか、みたいな話も、こういうモデルが強くなるほど締まっていくはずの領域です。

葵: ではエージェントの話。今日は「人間の確認を挟む」設計で、3本そろってます。

悠真: まずNod。n8nのオープンソース個人エージェントで、MacかPCの上に仮想マシンとブラウザを持ちます。この「仮想マシンの中で動く」ってのが、後の話ともつながるポイントで。

葵: 設計思想は「先に許可、後に実行」。つまり、何をするかをまず示して、人が許してから動く。テストタスクの98%を完遂した、と主張してます。ライセンスはApache 2.0で、無料。

悠真: この98%という数字も、やはり開発側のテスト結果であって、あなたのタスクでどうなるかは別の話。でも、「何ができるか」より「どんな順番で承認を取るか」がエージェントの本命になってきてる、というのを感じます。

葵: 次はStiro。こちらはSaaS内のAIガイドで。つまり、プロダクトのヘルプに「AIが操作して教える」を組み込むやつ。ユーザーと並んで実際の画面で操作を進めていく。

悠真: ここでも同じ設計があって、送信とか、課金とか、削除みたいな取り返しのつかない操作は必ず本人に返す、と。エージェントが全部やるんじゃなくて、危ない境界で手を止める。Nodと同じ思想です。

葵: 3つ目、Relay。これはちょっと違う角度で。ドキュメントを送るとき、その文脈を相手のAIに引き渡す仕組み。たとえば「割引の締切はこの日まで」みたいに、判断が必要な事柄を、相手のAIに渡しつつ、判断が要る質問だけは自分に返ってくる、と。

悠真: スキーマがオープンで公開されてます。このRelayが面白いのは、エージェント同士のやりとりを、実質的に人間の判断の接点として設計してる点。AIに全部任せると途切れるところ、つまり「あなたが決めてね」の部分を明示的に人に返す。

葵: 共通するのは、「自律的に動くけど、人間の確認を挟む」ということ。この3つは設計思想の土俵が同じです。

悠真: あとサポートとしてSkipboxがあって、これも自律実行に関わる話。GitHub Actionsのウォームランナーを専用VMで提供するもので、月39ドル、4vCPU、8GB、時間制限なし。キャッシュ保持、認証情報は使用後に削除、と。エージェントや自動化を回す下回りの話として、後で出します。

葵: じゃあローカルAI。ここが今日の個人的な好きな話題です。

悠真: Earlybird、また出てきます。端側のストリーミング音声認識で、たった16.8MB、29Mパラメータ。このサイズで、発話が完了する前に90ミリ秒で次の単語を予測して正解する、という主張。さらに各単語に信頼度を付けてくると。重みも公開されてます。

葵: 90ミリ秒先取りってのがすごい。人間が聞いて感じる「追いついてる感」を出すには、まさにこの領域が要る。しかも重み公開なので、自分のアプリに組み込める。

悠真: そしてMetaのMuse Ember。これはマルチモーダルの推論モデルで、Metaの最小クラスとされています。エージェントが高頻度で実行するタスク向けに設計されてて、文脈は1Mトークン。入力が10セント／100万トークンと、かなり安く設定されてる。

葵: ローカルとクラウドの境界線が面白いところです。Earlybirdは完全に手元。Muse Emberはクラウドだけど小型で安い。ValinはiPhoneとiPadで完全ローカルに映像や音声を保存して、文字起こしまでできる。検索は自然言語で、しかも出典付き。アカウント不要。

悠真: Valinの「出典付き」というのが地味に重要で。ローカルに保存した動画の何分何秒の部分、みたいな形で参照してくれるってことなら、後で見返すときに迷わない。プライバシーと検索の精度を両立させようとしてる。

葵: そしてRigSpark。これはオープンソースのRust製ツールで、自分のマシンのメモリ、GPU、ディスクを検査して、「このローカルAIモデルは動くか、動くならどのくらいの速度で」を判定してくれる。チャット、画像、動画、音声に対応とあります。

悠真: これがけっこう実用的。ローカルAIって、「うちのマシンで動くかな」を試すコストが高い。RigSparkはそこを事前に診断できる。オープンソースなので、診断基準がどうなってるかも確認できる。

葵: 今日のテーマはここが一番はっきりしてて、クラウドに頼らず守るプライバシーと、端末の速度。EarlybirdもValinもRigSparkも、その軸で動いてます。

悠真: では生活系に移ります。ここも面白いのが揃ってます。

葵: Xolace。これはガーナのチームが作った感情サポートのアプリです。内部にThe Fireという機能があって、感情の奥にある本当の気持ちを書き出していく、という設計。すでに350人超の利用者、千回以上の会話がある、と主張してます。利用人数の数字はまだ開発側の値なので、どう使われてるかは今後見たい。でも、感情面をAIに任せる製品が、ガーナから出てきてるというのは地図が広がってる感じがします。

悠真: Kippy AI。AIの言語口頭練習パートナーで、Kippy、Tippy、Yappyという3役がいて、それぞれ性格と記憶を持ってる。性格と記憶を持ってるってのが、会話の口頭練習ではかなり重要で。毎回ゼロから会話を始めるんじゃなくて、昨日言ったことを覚えてるからこそ、積み上げができる。バイリンガル切り替えも可能。ダウンロードは40万近く、と。こちらもダウンロード数の数字は主張として受け止めて。

葵: Subscriptrack。これはメール接続だけで全サブスクを見つけ出して、月額の合計を一覧で出し、更新や試用期間の通知、さらに213のサービスの解約手順を提示してくると。銀行のログインは不要、と明示してる。あの「いつも更新日を忘れてて気づいたら課金されてる」っていう悩み、かなり多くの人が持ってると思うんですけど、そこに真っ向から挑んでる。

悠真: 注意点として、メール接続というのは、メールに届く通知に依存する仕組みということ。解約手順の213サービス、という数字もメーカー側の値なので、自分が使ってるサービスがカバーされてるかは確認の必要があります。

葵: そしてMister Blocks。LEGOのバラパーツの写真をAIに見せると、組立手順を提案してくれる。3Dのステップ付き。Claudeベースで、無料。

悠真: これ、実はかなり具体的な悩みへの解答で。ばらされたLEGOの箱って、「何ができるかわからない」状態にあります。そこに写真を投げたら、手順がついてくる。無料というのがポイントで、気軽に試せる。

葵: 共通するのは、生活の摩擦を消すAIです。感情、語学、サブスク、LEGO。大きい問題じゃないけど、毎日の小さい引っかかりを、AIが解いてくれる、という流れは確実に来てます。

悠真: ではMacとクリエイティブ。今日は5本入ってます。ちょっと数が多いので、時間の配分に気をつけながら。

葵: まずBinqo。Macのノッチの中に点陣のキャラMieloが住んでて、音楽、カレンダー、クリップボード、音声の質問応答、会議メモ、みたいなミニアプリを担ってる。無料。ノッチという「何もない場所」を住処にする、という発想が面白い。デスクトップのツールが画面の端に住み着く、というのは、Macの画面設計そのものを変える話です。

悠真: Padrail。Macの無料アプリで、トラックパッドの四辺をスライダーにします。右側が音量、左側が輝度、下がキーボードのバックライト、上はアプリごとに適応、と。つまりトラックパッドの縁が、即席のハードウェアUIになる。

葵: StableBar。Swiftで書かれたオープンソースのmacOSメニューバーです。設定ウィンドウかJSONで設定でき、AeroSpaceやyabaiのワークスペースに対応。テーマは7種。OSSなのがポイントで、メニューバーは普段ずっと見てる場所なので、手元に置けるOSSの選択肢が増えるのは助かります。

悠真: Shot.video。これは映像側で、スマホでQRコードを読むだけで複数機位の同時録画ができる。アプリをインストール不要。AIがファーストカットを出してくれて、視線での機位切り替えも可能で、後から変更もできると。

葵: nizima ACTION!!。Live2D公式のブラウザ動画エディターで、PSDの階層インポート、ネストされたシーン、キーフレームアニメーション。ベータなので無料。Live2Dというのは、キャラクターの2Dを動かすやつで、公式がブラウザで動画編集まで出してきたというのは、この領域の制作工程がブラウザ上に移る流れを感じさせます。

悠真: 共通して言えるのは、デスクと映像制作の現場が軽くなる流れです。MacのUIをカスタマイズする4本と、映像を整える2本。どちらも「面倒な工程を消す」という同じ軸で動いてます。

葵: 最後は開発者とビジネスの防衛と効率。3本です。

悠真: まずScroogeFrog AI。広告のクリック詐欺の検出で、変換データで学習したモデルを使って、サイトの流量とGoogle Adsを監査して、実行可能な提案を返してくると。クリック詐欺って、広告費が静かに消えていくやつで、気づきにくい損失の代表格。それを検知の側から攻めてる。

葵: Skillbox。AIスキルの統一ライブラリで、Claude Code、Cursor、Codexに同期します。毎バージョンでプロンプトインジェクションの走査を行って、Trimという機能でコマンドの出力を圧縮してくると。これは開発者の視点ではけっこう実用的な話で。AIのコマンド出力って、放っておくと膨らんで文脈を食うので、圧縮されるのは助かる。

悠真: そしてSkipbox。さっき少し触れたやつですね。GitHub Actionsのウォームランナーを専用VMで提供します。月39ドル、4vCPU、8GBで時間制限なし。キャッシュは保持、認証情報は使用後に削除、と明示してる。

葵: この3つ、並び方がよくて。ScroogeFrogは損失の検知、Skillboxは開発の効率とセキュリティ、Skipboxは自動化の実行環境の効率。つまり「ビジネスの損失を防ぐ」と「開発の効率を上げる」が同じタイミングで揃ってる。

悠真: 今日全体を振り返ると、テーマとしては「AIが現場に入ってきた」ということなんですよね。音声なら会議や電話の現場、画像なら制作の現場、エージェントなら操作や判断の現場、ローカルなら手元のデバイス、生活なら日々の小さな悩み、開発ならコードや広告の現場。

葵: そうですね。ただ、今日挙げた数字や能力は、ほとんどがメーカー側の主張です。98%、90ミリ秒、100回の編集、213のサービス。どれも実際に使うときの話とは別で、今後、実際のユーザーの声がどう積もるかを見たい。

悠真: 特にエージェント系は、承認の設計がどう受け止められるか、実番号や実操作がどう安全に回るか、あたりが分かれ目になりそうです。

葵: それでは今日はこの辺で。葵でした。

悠真: 悠真でした。また次回、お会いしましょう。