OpenAI が GPT Transcribe 新版リリース、音声認識を 25% 値下げ・精度も向上
OpenAI は音声認識 API「GPT Transcribe」の新版をリリース。エラー率を 3.98% から 3.31% に改善し、価格を 25% 低下させて 1 分あたり 0.0045 ドルに設定。処理速度は実時間の 34 倍を実現。競合ツール（ElevenLabs Scribe v2、Google Gemini 3 Pro）との精度比較と API 仕様を解説。
続きを読む
タグ一覧に戻る
音声認識
記事数: 32 件
Cohere がアラビア語専門の音声認識モデルをオープンソース公開、Whisper を上回る性能
Cohere が20億パラメータのオープンソース音声認識モデル『Cohere Transcribe Arabic』を発表。Apache 2.0ライセンスで Hugging Face に公開。Whisper と比べて方言・コード混在・アラビア英語混交に対応。開発者が自由に活用・改善できる。
続きを読む
音声認識で高齢者を個別識別――スペイン Mía ロボット Madrid で実装
Universidad Carlos III de Madrid が開発したウサギ型ロボット Mía は、初めての音声で自動的にユーザーを識別。Madrid 市議会のデイセンターで認知機能低下の高齢者への情動的ケアを提供し、孤立軽減の効果を確認している。
続きを読む
Microsoftの新基盤3モデルとTranscribe-1が示す未来
Microsoftが発表したMAIの新基盤3モデルとTranscribe-1は、選択肢を広げつつ実務の効率化を後押しします。まずは小規模な実地検証で性能・コスト・プライバシーを確認することをおすすめします。
続きを読む
Cohereのオープン音声認識が首位へ
Cohereが公開したオープンソース音声認識が主要ベンチで首位と報じられ、技術普及の追い風になる可能性が高まっています。今後はベンチ詳細の公開と実環境での検証が期待されます。
続きを読む
自己ホストできる14言語対応の音声モデル登場
Cohereの約20億パラメータ音声モデルはトランスクリプション向けに最適化され14言語対応で自己ホストが可能、消費者向けGPUで動きプライバシー重視やカスタマイズを望む企業に実用的な選択肢を提供します
続きを読む
AI時代、音声がテキストに勝る理由
AI時代でも音声には即時性やニュアンスを伝える強みがあり、テキストの参照性と組み合わせることで利便性が高まります。設計者や教育者は両者の長所を活かす対話設計を検討してください。
続きを読む
会議録音×AI翻訳ノートの実力と導入術
TechCrunchで紹介された会議録音・翻訳・要約を行うAIノートは、国際会議のコミュニケーションと議事録作成を大幅に効率化します。導入は小規模な検証運用から始めるのがおすすめです。
続きを読む
Siriのつまずきが照らすAppleの壁
AppleのSiriは改善が期待されますが、iPhoneがAIへの入口であり続ける限り収益機会は残ります。本稿では遅れの背景、影響を受ける層、今後の戦略的な見方をわかりやすく解説します。
続きを読む
CodewallのAIが採用サイトを1時間で掌握
CodewallのAIエージェントが採用プラットフォームを1時間で掌握した事例は、ボットのガードレールと検知の限界を示し、開発者や運営者が設計と運用を改善する好機を提供します。
続きを読む
Granite 4.0 1B Speechの要点と展望
Granite 4.0 1B Speechはエッジでの動作と多言語対応を目指す軽量音声モデルです。1Bの定義や対応環境は公式確認が鍵で、正式な性能公開を待ちながら導入要件を整理することが賢明です。
続きを読む
TweetyBERTで探るカナリア歌が示す学習メカニズム
TweetyBERTはカナリアの歌を自動で分割・分類し、専門家並みの精度を示しました。鳥の発声解析から学習メカニズムの手がかりを得られる可能性があり、神経科学やAI応用研究に新たな道具を提供します。
続きを読む
ElevenLabsとGoogle、音声認識で接戦
ElevenLabsとGoogleが最新の音声認識ベンチでほぼ互角の成績を示しましたので、評価方法やデータの透明性に注目し、言語カバレッジや再現性を確認しつつ複数のベンチマークを横断して比較検討することをおすすめします。
続きを読む
Perplexityの新PCは全AI統合を実現するか
Perplexityの新PCが示す「全AI統合」は、複数のAIを一つにまとめる夢を現実に近づけます。公式デモや仕様の詳細公開を楽しみにしながら、実際の性能と使い勝手に注目していきましょう。
続きを読む
OpenAIアップデートで声の安定と速度は改善するか
OpenAIが報じた新音声モデルとエージェント向けAPIの高速化は、ノイズ下での認識精度や長時間対話での声の安定性、応答遅延の改善が期待でき、導入は段階的な検証と既存システムとの互換性確認がおすすめです
続きを読む
Toy Story 5が突きつけるAIおもちゃの疑問
映画『Toy Story 5』の「I’m always listening」という描写をきっかけに、AI搭載おもちゃが家庭のプライバシーや設計倫理について考える機会を提供してくれますので、透明性と安全設計に注目してみてください。
続きを読む
低価格ショック：Voxtralが0.003/分で音声認識
Voxtral Transcribe 2が1分あたり0.003の低価格を発表し、導入コストを下げて普及を後押しします。まずは試用で精度やサポートを確認すると良いでしょう。
続きを読む
会議が変わる 最新AIノート端末の本当の実力
会議を手元で丸ごと録音し、文字起こし・要約・アクション抽出・ライブ翻訳まで担うAIノート端末の最新事情を、機能差や翻訳精度、プライバシーやコスト面の課題を交えて分かりやすく解説し、導入時の確認ポイントを具体的に示し、試すべきチェック項目や選び方のコツを紹介し、実際の導入事例も交えてイメージを掴んでいただけますぜひ！
続きを読む
Apple、Q.ai買収で音声AI競争に参戦
AppleがイスラエルのスタートアップQ.ai買収と報じられ、騒音下での音声強化やささやき声解釈技術がSiriやAirPodsの音声体験を高める可能性に期待が集まっています。
続きを読む
OpenAI、耳元デバイスを2026年に出荷へ
OpenAIが2026年下半期をめどに初の耳元デバイスを出荷する可能性が報じられ、開発者や消費者、パートナーに新しいAI体験とビジネス機会をもたらす期待が高まっています。
続きを読む
MedGemma1.5が拓く3D医療AIの現場
MedGemma1.5は3DCT・MRIの立体解析機能と高性能音声ツールを公開し、研究と臨床の協業を後押しする一方で、現場導入にはライセンス遵守や追加検証、運用ガイド整備と検証データの充実が重要です
続きを読む
Deepgram、1.3億ドル調達で評価13億ドルに
TechCrunch報道によれば、DeepgramがシリーズCで1億3000万ドルを調達し評価額は約13億ドルに達しました。YC系スタートアップを買収し、音声認識分野での存在感がさらに高まる期待があります。
続きを読む
Subtleの新イヤホンが変える音声入力
Subtleの新イヤホンはノイズアイソレーションとデスクトップ・スマホ横断のディクテーション（音声を文字に変換する技術）を搭載し、在宅や移動中の作業を効率化する期待が高く、対応アプリの幅や騒音下での認識精度が鍵ですが、段階的な導入で利便性は大きく向上するはずです。
続きを読む
OpenAIが音声AIへ舵を切る2027計画
OpenAIが音声AI開発を強化するため組織再編に踏み切り、2026年の新音声モデルと2027年のハード計画で音声体験を身近にし、開発者や企業に新しい機会をもたらすことが期待されています。
続きを読む
OpenAIが音声に賭ける理由と未来
OpenAIが音声を軸に据える動きは、画面依存を超えた新しい操作体験を家庭や車、ウェアラブルや日常の接点に広げ、利便性とプライバシーや実装課題の両面に向き合う必要があることを示しています。
続きを読む
OpenAI、音声AIの精度差を社内統合で解消へ
The Decoderの報道によれば、OpenAIが音声関連チームを統合してChatGPTのハードウェア推進と連携し、より自然で信頼できる音声対話の実現に向けた動きが進んでいます。
続きを読む
声で仕事が変わる？2025年AI音声入力の進化と実力
2025年のAI音声入力はメール返信やノート作成、コード生成まで日常業務を効率化し、OpenAIなどの技術進化と導入時の教育・運用設計が普及の鍵になります。
続きを読む
PlaudNoteProが切り拓くAI録音の9つの変化
携帯型AI録音機PlaudNoteProは、持ち運びやすさと音声認識や自動要約など9つの特徴で議事録作成や現場メモを効率化する可能性があり、TechCrunchでの紹介を踏まえつつ今後の公式発表に期待していただきたい製品です。
続きを読む
耳で伝える翻訳、Pixel BudsからAndroidへ
Pixel Budsを起点に、音声を即時に別言語へ変換するリアルタイム翻訳がAndroid対応イヤホンへ広がります。旅行や会議での利用が増え、近い将来iOS対応も予定されています。
続きを読む
波形を超える聴覚AIの新基準が示す未来
Googleが示した聴覚AIの新基準は、波形一致から音の意味理解や状況判断まで評価対象を広げる動きで、研究者や開発者には評価設計やデータ管理、倫理配慮を見直す好機を提供します。
続きを読む
進化する耳がつながる瞬間翻訳の未来と課題
リアルタイム音声翻訳は、話した言葉をその場で別言語の音声に変える技術で、遅延低減や安定性、プライバシー保護が普及の鍵となります。実用化には技術と社会の協力が重要です。
続きを読む
Google TVにGemini搭載で会話するテレビへ
GoogleがGoogle TVストリーマーに大規模言語モデルGeminiを搭載予定です。会話で番組を探せる利便性が期待される一方、誤認識やデータ送信などプライバシー面や開発対応が重要になります。
続きを読む