Projects

AGI Radar

11月2日–8日

今週は大きな発表なし。次に来そうなのは、モデル末期の Qwen-Audio (前回から12日、いつもは13日)・Inworld TTS (前回から91日、いつもは100日)・GPT-Live (前回から59日、いつもは73日)。

Eleven

登場直後

Eleven v4 / Eleven v4 Turbo

最も感情表現が豊かな読み上げモデル。低遅延版 v4 Turbo は推論遅延の中央値が約 100ms。ElevenAgents・ElevenCreative・API で使える。

elevenlabs.io/blog

前回の発表から2026年9月28日41

いつもの間隔238

最近の発表

2026年9月28日　Eleven v4 / Eleven v4 Turbo238

2026年2月2日　Eleven v3244

2025年6月3日　Eleven v3 (alpha)（先行）167

X の反応

Eleven v4 は、ナレーターのような声になる、「短い間」「少し強調」といった細かい指示で AI っぽさが抜ける、声のクローンと組み合わせると仕上がりがかなり良いという声が並ぶ。一方で、値段が高いという声や、出来は見事だが長く聞くと疲れるという不満も出ている。Eleven v4 Turbo は、Artificial Analysis の比較で Eleven v4 とほぼ同じ点数を半額で出しているという指摘がある。

81 件・71 アカウント・保存済みの反応は 10月26日から

A@ArtificialAnlys注目AssemblyAI-TTS-1 は毎秒 162 文字を生成。Cartesia の Sonic 3.6 の 148.6、Mistral の Voxtral 3 TTS の 112.3、Speechify の Simba 3.2 の 84.9、ElevenLabs の Eleven v4 の 75.1、Google の Gemini 3.8 Flash TTS の毎秒 53.4 文字より速い。価格も 100 万文字あたり $15 で、Gemini 3.8 Flash TTS の $16.5、Qwen-Audio-3.1-TTS-Plus の $19.3、Breeze TTS 2 の $34、Eleven v4 Turbo の $40 より安いが、Simba 3.2 の $6.6 より高い。9日前↗
Y@YoshiSh37914ChatGPT・Gemini・Claudeに「15秒のCMを音声で作って」と頼みました。・ChatGPT：作れないと断られた・Gemini：約60秒で、「炭火」を「たまぎ」と誤読・Claude：声が機械的。しかも、声だけElevenLabsで作るよう勧めてきた比較はこちら👇5日前↗
C@CareHub_XみんなDaleksみたいな話し方になるんだろうな。 Elevenlabs v4は非常に強力。そのモードでは追加タグで表現を抑えるのが難しい。それでもボイスクローンと組み合わせると結果は驚くほど良い。まだ比較的初期の段階だ。（テキストから手話へ、手話から音声への変換はとてもすごい革新だ）5日前↗
D@deepwhitman良いTTSをケチってはいけないと痛い目を見て学んだ。Elevenlabs V4を使っている。正直、動画制作の他の費用と比べればそれほど高くないし、品質も素晴らしい。5日前↗
C@ChrisEdwards357自然な発話という点でpocket-ttsにとても感心している。elevenlabsほどではないが、ローカルで動くし、かなり流暢に聞こえる。5日前↗
N@nemoyangdevEleven v4 TurboはArtificial AnalysisのTTS arenaでEleven v4とほぼ同点（Elo 1336対1334）なのに価格は半分。100万文字あたり$40対$80。Turboの方が上に来るとは思わなかった。5日前↗

公式の発表

E@ElevenLabsDevs公式Learn more: https://elevenlabs.io/blog/unity-sdk-release1日前↗
E@ElevenLabs公式ElevenAgents が @Genesys Cloud、@Amazon Connect、@Five9、@NICELtd とネイティブに連携した。いま動かしている通話フローに、いちばん自然な音声エージェントを持ち込める。ほかのプラットフォームでも、ElevenAgents は SIP でどの電話システムにもつながる。2日前↗
E@ElevenLabs公式会話が長くなるほど、音声エージェントの成功率は上がる。本番で音声とチャットの両方を動かしている 469 のエージェントを分析したところ、面白い傾向が見えた。会話が複雑になると、解決までいちばん速いのは音声だ。4日前↗

73 件・65 アカウント・保存済みの反応は 10月26日から

A@ArtificialAnlys注目AssemblyAI-TTS-1 は毎秒 162 文字を生成。Cartesia の Sonic 3.6 の 148.6、Mistral の Voxtral 3 TTS の 112.3、Speechify の Simba 3.2 の 84.9、ElevenLabs の Eleven v4 の 75.1、Google の Gemini 3.8 Flash TTS の毎秒 53.4 文字より速い。価格も 100 万文字あたり $15 で、Gemini 3.8 Flash TTS の $16.5、Qwen-Audio-3.1-TTS-Plus の $19.3、Breeze TTS 2 の $34、Eleven v4 Turbo の $40 より安いが、Simba 3.2 の $6.6 より高い。9日前↗
Y@YoshiSh37914ChatGPT・Gemini・Claudeに「15秒のCMを音声で作って」と頼みました。・ChatGPT：作れないと断られた・Gemini：約60秒で、「炭火」を「たまぎ」と誤読・Claude：声が機械的。しかも、声だけElevenLabsで作るよう勧めてきた比較はこちら👇5日前↗
C@CareHub_XみんなDaleksみたいな話し方になるんだろうな。 Elevenlabs v4は非常に強力。そのモードでは追加タグで表現を抑えるのが難しい。それでもボイスクローンと組み合わせると結果は驚くほど良い。まだ比較的初期の段階だ。（テキストから手話へ、手話から音声への変換はとてもすごい革新だ）5日前↗
D@deepwhitman良いTTSをケチってはいけないと痛い目を見て学んだ。Elevenlabs V4を使っている。正直、動画制作の他の費用と比べればそれほど高くないし、品質も素晴らしい。5日前↗
C@ChrisEdwards357自然な発話という点でpocket-ttsにとても感心している。elevenlabsほどではないが、ローカルで動くし、かなり流暢に聞こえる。5日前↗
N@nemoyangdevEleven v4 TurboはArtificial AnalysisのTTS arenaでEleven v4とほぼ同点（Elo 1336対1334）なのに価格は半分。100万文字あたり$40対$80。Turboの方が上に来るとは思わなかった。5日前↗

公式の発表

E@ElevenLabsDevs公式Learn more: https://elevenlabs.io/blog/unity-sdk-release1日前↗
E@ElevenLabs公式ElevenAgents が @Genesys Cloud、@Amazon Connect、@Five9、@NICELtd とネイティブに連携した。いま動かしている通話フローに、いちばん自然な音声エージェントを持ち込める。ほかのプラットフォームでも、ElevenAgents は SIP でどの電話システムにもつながる。2日前↗
E@ElevenLabs公式会話が長くなるほど、音声エージェントの成功率は上がる。本番で音声とチャットの両方を動かしている 469 のエージェントを分析したところ、面白い傾向が見えた。会話が複雑になると、解決までいちばん速いのは音声だ。4日前↗

7 件・5 アカウント・保存済みの反応は 10月26日から

A@ArtificialAnlys注目AssemblyAI-TTS-1 は毎秒 162 文字を生成。Cartesia の Sonic 3.6 の 148.6、Mistral の Voxtral 3 TTS の 112.3、Speechify の Simba 3.2 の 84.9、ElevenLabs の Eleven v4 の 75.1、Google の Gemini 3.8 Flash TTS の毎秒 53.4 文字より速い。価格も 100 万文字あたり $15 で、Gemini 3.8 Flash TTS の $16.5、Qwen-Audio-3.1-TTS-Plus の $19.3、Breeze TTS 2 の $34、Eleven v4 Turbo の $40 より安いが、Simba 3.2 の $6.6 より高い。9日前↗
N@nemoyangdevEleven v4 TurboはArtificial AnalysisのTTS arenaでEleven v4とほぼ同点（Elo 1336対1334）なのに価格は半分。100万文字あたり$40対$80。Turboの方が上に来るとは思わなかった。5日前↗
G@GhostUEP数日前の簡単なテスト。Groq + Eleven v4 Turbo。 minecraftでめちゃくちゃ速く動いている。6日前↗
S@Sawhney222V2.5 flashの方がレイテンシは良いけど、V4 turboは多言語に向いている。6日前↗
S@shimesaba_type0ChatGPT要約 Eleven v4 / v4 Turbo：感情表現とリアルタイム性を進化させた音声生成AI ・本記事要約日：2026-10-28 ・本記事公開日：公式ページに記載なしこの記事で1番言いたいことを一言で ElevenLabsが「感情豊かに話すAI」と「人間の会話速度で応答するAI」を両立。音声生成からリアルタイム音声対話まで進化。 3〜5行まとめ・Eleven v4は新アーキテクチャにより、文脈に応じた感情や抑揚を自然に表現。・90以上の言語、複数話者、効果音、Voice Cloningに対応。・v4 Turboは推論約100ms、音声出力開始約150ms（中央値）を実現。・API、ストリーミング、TypeScript/Python SDKに対応。・Eleven v4は無料プランから利用可能。本質の要約 ElevenLabsは、高品質な音声コンテンツ向けのEleven v4と、リアルタイム会話向けのEleven v4 Turboを発表した。 Eleven v4は、台本の文脈や話者を考慮し、感情や間の取り方を自然に表現する。Audio Tagsで演出を指定でき、長文や再生成でも声の一貫性を維持する。v3で非対応だったProfessional Voice Cloningも復活した。 v4 Turboは表現力を維持しながら低遅延化。LLMがテキストを生成している途中から音声を出力でき、自然なテンポの音声エージェントを実現する。本質は、音声の自然さに加え、表現の制御性、声の一貫性、応答速度を実用水準へ引き上げたことにある。何が新しいのか・新アーキテクチャによる文脈理解と感情表現の強化・Audio Tagsへの追従精度向上と効果音への対応・Context Stitchingによる長文音声の一貫性向上・再生成時の話者の安定性向上・Professional Voice Cloningの復活・v4 Turboによる低遅延の双方向ストリーミング・日本語を含む90以上の言語に対応何ができるようになったのか・感情や効果音を指定した動画・ナレーション制作・長編オーディオブックの自然な音声生成・低遅延で会話するAI音声エージェントの構築・同じ声を活用した多言語コンテンツ制作・自分のVoice Cloneを使った表現豊かな音声制作（本人同意が必要）どのプランで使えるのか・Free：$0/月、10,000 credits、個人利用・Starter：$6/月、30,000 credits、商用利用とInstant Voice Cloning ・Creator：$22/月、121,000 credits、Professional Voice Cloning ・Pro：$99/月、600,000 credits、高品質音声出力・Enterprise：個別見積 ※税別・通常月額。キャンペーン価格は除く。 ※Eleven v4は全プラン対応。v4 TurboはElevenAPIおよびElevenAgentsで提供。単語帳・Text to Speech：テキストを音声に変換する技術・Voice Cloning：特定の声を再現する技術・Professional Voice Clone：高精度な声の再現・Audio Tags：感情や効果音を指定するタグ・Context Stitching：分割音声の文脈や話し方をつなぐ仕組み・Latency：応答までの遅延・Bidirectional Streaming：双方向の逐次データ送受信・IPA：国際音声記号引用10日前↗
B@BoboLinNotesEleven v4 Turbo は最初のチャンクまでの遅延が 150ms とされ、笑い声、ささやき、間を再現する。この遅延は電話での典型的な人間の反応時間より短い。つまり、見分けるにはタイミングだけでなく、割り込み時の会話の一貫性や背景の一貫性に頼る必要がある。11日前↗

Sonic

熟成期

Sonic-3.6

Cartesia の読み上げ (TTS) モデルの更新版。44 言語に対応し、API とプレイグラウンドで一般提供中。ストリーミング向けの低遅延。

cartesia.ai/blog

前回の発表から2026年8月27日73

いつもの間隔189

最近の発表

2026年8月27日　Sonic-3.6115

2026年5月4日　Sonic 3.5189

2025年10月27日　Sonic 3234

X の反応

Sonic-3.6 は、AI の受付には速さと音質で合っているという声があり、Cartesia の音声エージェントの基盤 Managed Agents が Artificial Analysis の比較で 1 位になったという結果を引く投稿もある。一方で、生成の速さでは新しく出た別社のモデルの方が速いという比較や、コンタクトセンター向けには値段が高いという指摘も出ている。

30 件・26 アカウント・保存済みの反応は 10月26日から

S@shi3z注目【PR】CartesiaのManaged AgentsでAI秘書「サラ」を作り、実際に電話してみた。日本語での会話は自然で、ブログの読み上げもまとも。さらに米国の電話番号へ国際電話をかけると、本当にAIが電話に出た。これは結構感動した。一方、日本で電話番号を接続するのはかなり大変だ。Twilioとの連携手順はわかりにくく、今回試した日本番号の取得手続きでは法人審査も必要だった。 AIエージェントを作るのは簡単なのに、電話につなぐのが難しい。この最後の障壁を解消できれば、日本でも相当面白いサービスになると思う。8日前↗
A@ArtificialAnlys注目料金：Cartesia Managed Agentsは通話時間1分あたり$0.06（1時間あたり$3.60）。LLMの使用料はモデルに応じて別途請求される。10日前↗
N@Nicolo_TognoniCartesiaは電話エージェントの音声モデルとハーネスを一緒に開発した。その成果は数字に表れている。・Artificial AnalysisのSpeech Agent Arenaで30中1位、Elo 1115 ・ServiceNowのEVA-Benchで正解率87%、次点は74% ・聞き取り、発話交代、ツール呼び出し、電話を1つのプラットフォームに統合注目しているのは発話交代。通話者が問題なしと報告したのは85%で、他のエージェントは67%。5日前↗
N@naumowfオープンウェイトの音声合成がトップ5に手の届くところまで来た。Fish Audio Drama 3はArtificial AnalysisのTTS arenaで100中6位（Elo 1,278）、同ランキング最高のオープンウェイトモデル。信頼区間は3〜5位と重なっている（Qwen-Audio-3.1-TTS-Plus 1,305、Sonic 3.6 1,296、Gemini 3.8 Flash TTS 1,283）。ElevenLabsはまだ明確に先行している。Eleven v4 Turbo 1,336、Eleven v4 1,334。価格は100万文字あたり$15で、上位8モデル中最安。v4 Turboは$40、v4は$80。ウェイトはHugging Faceで公開（35B MoE、アクティブ3B）、Fish Audio独自のCommunity License。出典：Artificial Analysis TTSリーダーボード（Provider Voice）、10月30日。6日前↗
R@rdominguezibarCartesiaの創業者たちはStanfordの博士課程で1つの問題に取り組んだ。今回の発表は、その研究が製品になるとどうなるかを示している。会社は2023年9月、Stanfordの博士課程学生Karan Goel、Albert Gu、Arjun Desai、Brandon Yangの4人と指導教員Chris Réが設立した。覚えておきたい数字は300ミリ秒。普通の会話で人が返事を期待するまでのおよその時間だ。 2026年1月の本番環境における400万件超の音声エージェント通話の分析では、応答時間の中央値は1.4〜1.7秒で、脳が自然と感じる速度の約5倍遅かった。通話の1%は8秒を超え、会話が成り立たなくなる。その多くは数学の問題だ。Transformerはすべてのトークンを他のすべてのトークンと比較するため、入力が2倍になると計算量はおよそ4倍になる。Guは博士課程でこのボトルネックに取り組んだ。Gu、Goel、Réは2021年10月に構造化状態空間の最初の論文を発表し、Guは2023年6月に状態空間モデルの博士論文を審査で擁護。その3か月後に会社ができた。状態空間モデルは、それまでに聞いた内容を逐次更新する記憶に圧縮し、ストリーミングを続ける。音声ではそれが何より重要だ。最初の音声モデルSonicは2024年5月に135ミリ秒で登場。Sonic 2.0は2025年3月に登場し、サイズは2倍で、90ミリ秒とより速くなった。Turbo版は40ミリ秒で動き、同じ比較ではElevenLabsのEleven Flash v2.5は75ミリ秒。低レイテンシに資金が続いた。2024年12月にIndex主導でシード$27M。その3か月後、Kleiner Perkins主導のシリーズAで$64M、調達後評価額は報道によると$338.7M。続いて2025年10月、再びKleiner主導のシリーズBで$100M、Nvidiaも戦略的投資家として参加。約10か月で$191Mを調達した。顧客は2024年12月の「数千」から2025年3月に1万超、2026年3月までに5万超になった。面白いことに、その期間の大半でCartesiaが主に売っていたのは、他のチームが自分たちのエージェントに組み込む音声レイヤーだった。Managed Agentsでは、音声モデルとハーネスを1つのシステムとして調整したエージェント全体へと領域を広げる。これにより、昨年11月に評価額$6.6Bで従業員向け株式公開買い付けを行ったElevenLabsにずっと近づく。経済面を見れば急ぐ理由がわかる。15〜20人のコールセンターは年間$1M以上かかることもあり、音声エージェントは正社員1人を雇うより安い。エージェント層を押さえたところがその予算を得る。音声AIを開発しているなら、どのリーダーボードよりも300ミリ秒という数字に注目したい。電話を人間らしく感じさせる最初のエージェントが契約を取る。7日前↗
S@suraj_sharma14音声エージェントは通常、モデルとハーネスの隙間で失敗する。遅い返事、下手な割り込み対応、ぎこちない引き継ぎ。 Cartesia（@cartesia）が、1つのシステムとして構築したManaged Agentsを公開した。・音声認識にInk 2、音声にSonic 3.6 ・最初の音声まで90ミリ秒未満、44以上の言語・SOC 2、HIPAA、GDPR、PCIに対応可能 Speech Agent ArenaとEVA-Benchで1位。7日前↗

公式の発表

C@cartesia公式Sonic-3.6：フランスで1位 🇫🇷、ドイツで1位 🇩🇪 @voicearena_ai のフランス語・ドイツ語のランキングで、カスタマーサポート向けリアルタイムモデルの1位に。7日前↗
C@cartesia公式企業向けのエンドツーエンド音声エージェントプラットフォーム、Cartesia Managed Agentsを発表。 @ArtificialAnlys の Speech Agent Arena と @ServiceNow の EVA-Bench で1位。音声モデルとハーネスを一つのシステムとして共同設計して構築した。8日前↗
C@cartesia公式Cartesia Managed Agents が @ArtificialAnlys Speech Agent Arena で1位に。予約や注文などのタスクで20以上の音声対音声システムを上回った。音声モデルとハーネスを垂直統合された1つのスタックで共同設計することで、最先端の品質と自然さを実現している。10日前↗

24 件・21 アカウント・保存済みの反応は 10月26日から

S@shi3z注目【PR】CartesiaのManaged AgentsでAI秘書「サラ」を作り、実際に電話してみた。日本語での会話は自然で、ブログの読み上げもまとも。さらに米国の電話番号へ国際電話をかけると、本当にAIが電話に出た。これは結構感動した。一方、日本で電話番号を接続するのはかなり大変だ。Twilioとの連携手順はわかりにくく、今回試した日本番号の取得手続きでは法人審査も必要だった。 AIエージェントを作るのは簡単なのに、電話につなぐのが難しい。この最後の障壁を解消できれば、日本でも相当面白いサービスになると思う。8日前↗
A@ArtificialAnlys注目料金：Cartesia Managed Agentsは通話時間1分あたり$0.06（1時間あたり$3.60）。LLMの使用料はモデルに応じて別途請求される。10日前↗
N@naumowfオープンウェイトの音声合成がトップ5に手の届くところまで来た。Fish Audio Drama 3はArtificial AnalysisのTTS arenaで100中6位（Elo 1,278）、同ランキング最高のオープンウェイトモデル。信頼区間は3〜5位と重なっている（Qwen-Audio-3.1-TTS-Plus 1,305、Sonic 3.6 1,296、Gemini 3.8 Flash TTS 1,283）。ElevenLabsはまだ明確に先行している。Eleven v4 Turbo 1,336、Eleven v4 1,334。価格は100万文字あたり$15で、上位8モデル中最安。v4 Turboは$40、v4は$80。ウェイトはHugging Faceで公開（35B MoE、アクティブ3B）、Fish Audio独自のCommunity License。出典：Artificial Analysis TTSリーダーボード（Provider Voice）、10月30日。6日前↗
R@rdominguezibarCartesiaの創業者たちはStanfordの博士課程で1つの問題に取り組んだ。今回の発表は、その研究が製品になるとどうなるかを示している。会社は2023年9月、Stanfordの博士課程学生Karan Goel、Albert Gu、Arjun Desai、Brandon Yangの4人と指導教員Chris Réが設立した。覚えておきたい数字は300ミリ秒。普通の会話で人が返事を期待するまでのおよその時間だ。 2026年1月の本番環境における400万件超の音声エージェント通話の分析では、応答時間の中央値は1.4〜1.7秒で、脳が自然と感じる速度の約5倍遅かった。通話の1%は8秒を超え、会話が成り立たなくなる。その多くは数学の問題だ。Transformerはすべてのトークンを他のすべてのトークンと比較するため、入力が2倍になると計算量はおよそ4倍になる。Guは博士課程でこのボトルネックに取り組んだ。Gu、Goel、Réは2021年10月に構造化状態空間の最初の論文を発表し、Guは2023年6月に状態空間モデルの博士論文を審査で擁護。その3か月後に会社ができた。状態空間モデルは、それまでに聞いた内容を逐次更新する記憶に圧縮し、ストリーミングを続ける。音声ではそれが何より重要だ。最初の音声モデルSonicは2024年5月に135ミリ秒で登場。Sonic 2.0は2025年3月に登場し、サイズは2倍で、90ミリ秒とより速くなった。Turbo版は40ミリ秒で動き、同じ比較ではElevenLabsのEleven Flash v2.5は75ミリ秒。低レイテンシに資金が続いた。2024年12月にIndex主導でシード$27M。その3か月後、Kleiner Perkins主導のシリーズAで$64M、調達後評価額は報道によると$338.7M。続いて2025年10月、再びKleiner主導のシリーズBで$100M、Nvidiaも戦略的投資家として参加。約10か月で$191Mを調達した。顧客は2024年12月の「数千」から2025年3月に1万超、2026年3月までに5万超になった。面白いことに、その期間の大半でCartesiaが主に売っていたのは、他のチームが自分たちのエージェントに組み込む音声レイヤーだった。Managed Agentsでは、音声モデルとハーネスを1つのシステムとして調整したエージェント全体へと領域を広げる。これにより、昨年11月に評価額$6.6Bで従業員向け株式公開買い付けを行ったElevenLabsにずっと近づく。経済面を見れば急ぐ理由がわかる。15〜20人のコールセンターは年間$1M以上かかることもあり、音声エージェントは正社員1人を雇うより安い。エージェント層を押さえたところがその予算を得る。音声AIを開発しているなら、どのリーダーボードよりも300ミリ秒という数字に注目したい。電話を人間らしく感じさせる最初のエージェントが契約を取る。7日前↗
S@suraj_sharma14音声エージェントは通常、モデルとハーネスの隙間で失敗する。遅い返事、下手な割り込み対応、ぎこちない引き継ぎ。 Cartesia（@cartesia）が、1つのシステムとして構築したManaged Agentsを公開した。・音声認識にInk 2、音声にSonic 3.6 ・最初の音声まで90ミリ秒未満、44以上の言語・SOC 2、HIPAA、GDPR、PCIに対応可能 Speech Agent ArenaとEVA-Benchで1位。7日前↗
D@dravenipなんだかとんでもないことになってきた。 elevenlabs：$0.08/分 cartesia managed agents：$0.03/分どちらも会社の電話に出る音声エージェントという同じ発想。片方は半額以下。月1万分で計算すると$800対$300。音声AIの利益率はもうダメか？7日前↗

公式の発表

C@cartesia公式Sonic-3.6：フランスで1位 🇫🇷、ドイツで1位 🇩🇪 @voicearena_ai のフランス語・ドイツ語のランキングで、カスタマーサポート向けリアルタイムモデルの1位に。7日前↗
C@cartesia公式企業向けのエンドツーエンド音声エージェントプラットフォーム、Cartesia Managed Agentsを発表。 @ArtificialAnlys の Speech Agent Arena と @ServiceNow の EVA-Bench で1位。音声モデルとハーネスを一つのシステムとして共同設計して構築した。8日前↗
C@cartesia公式Cartesia Managed Agents が @ArtificialAnlys Speech Agent Arena で1位に。予約や注文などのタスクで20以上の音声対音声システムを上回った。音声モデルとハーネスを垂直統合された1つのスタックで共同設計することで、最先端の品質と自然さを実現している。10日前↗

GPT-Live

モデル末期

GPT-Live 1

聞きながら話せる全二重の音声対話モデル。API で一般提供。音声セッションは 1 分 $0.05 (秒課金)、裏のモデルやツールの利用は別料金。

developers.openai.com/api/docs/changelog

前回の発表から2026年9月10日59

いつもの間隔73

最近の発表

2026年9月10日　GPT-Live 166

2026年7月6日　GPT-Realtime-2.160

2026年5月7日　GPT-Realtime-273

2026年2月23日　GPT-Realtime-1.5179

2025年8月28日　gpt-realtime331

X の反応

GPT-Live 1 は、英語のガイドツアーや会話の同時通訳に使える、家事をしながら話してアイデアを詰められる、話の途中で相づちを打っても止まらずに続けてくれるといった声が並ぶ。不満は、日本語の声のひまりとりんどうでは相づちやオウム返しが多く会話の質が落ちるという声や、翻訳を続けると相づちだけになるという声、意図をくみ取れず空回りするという指摘が出ており、声はかなり自然になったがまだ違和感が残るという感想もある。

92 件・85 アカウント・保存済みの反応は 10月26日から

I@iwashi86注目読み終えました！最終盤にあるこの1節が印象に残りました。音声には感情が乗ると言われており、GPT-Liveなどはかなり自然になってきているものの、やはり違和感があるのはこの辺が理由だなと思ったのでした。で、書籍全体は、企業でPodcastをやりたい方にとってはめちゃおすすめな1冊でした！3日前↗
M@MedDX_Innovator注目【TestingCatalog】ChatGPT FinanceにVoice機能を展開と投稿（11/4）・OpenAIがChatGPT Finance機能向けにChatGPT Voiceを展開中と報告・ChatGPT Financeは米国のみで利用可能と報告出典3日前↗
J@joelsstaffordもうやっている。ChatGPTを音声（gpt-live-1）で使ったら残高が大幅に減ったことに気づいた。5日前↗
F@fal48GPT-Liveに同時通訳してもらってみた状況説明するのに言ってもらった方が早いし大事なことを聞き逃すと困るので、、、電波悪くて若干反応遅かったけど全然おけ5日前↗
K@kurano39GPT-Live-1.1のひまりとりんどうって、声の違いだけじゃなく、挙動そのものが違う気がする。りんどうのほうが使いやすい。特に翻訳対象が複数いる場合、りんどうはいったんまとめてから短く翻訳できる。ひまりは空回りしやすいと思った。たまたまかもしれないけど6日前↗

公式の発表

G@gdb関係者の投稿から引用: 発信の電話にも GPT-Live を:2日前↗

89 件・82 アカウント・保存済みの反応は 10月26日から

I@iwashi86注目読み終えました！最終盤にあるこの1節が印象に残りました。音声には感情が乗ると言われており、GPT-Liveなどはかなり自然になってきているものの、やはり違和感があるのはこの辺が理由だなと思ったのでした。で、書籍全体は、企業でPodcastをやりたい方にとってはめちゃおすすめな1冊でした！3日前↗
M@MedDX_Innovator注目【TestingCatalog】ChatGPT FinanceにVoice機能を展開と投稿（11/4）・OpenAIがChatGPT Finance機能向けにChatGPT Voiceを展開中と報告・ChatGPT Financeは米国のみで利用可能と報告出典3日前↗
J@joelsstaffordもうやっている。ChatGPTを音声（gpt-live-1）で使ったら残高が大幅に減ったことに気づいた。5日前↗
F@fal48GPT-Liveに同時通訳してもらってみた状況説明するのに言ってもらった方が早いし大事なことを聞き逃すと困るので、、、電波悪くて若干反応遅かったけど全然おけ5日前↗
K@kurano39GPT-Live-1.1のひまりとりんどうって、声の違いだけじゃなく、挙動そのものが違う気がする。りんどうのほうが使いやすい。特に翻訳対象が複数いる場合、りんどうはいったんまとめてから短く翻訳できる。ひまりは空回りしやすいと思った。たまたまかもしれないけど6日前↗

公式の発表

G@gdb関係者の投稿から引用: 発信の電話にも GPT-Live を:2日前↗

記事をもっと見る

Gemini TTS

登場直後

Gemini 3.8 Flash TTS / Gemini 3.8 Flash-Lite TTS

Gemini 3.8 Flash TTS はスタジオ品質の声・演技・地域の方言・長い複数話者の安定性を狙う旗艦の音声合成。Flash-Lite TTS は低コスト高速版。Gemini API で提供。

ai.google.dev/gemini-api/docs/changelog

前回の発表から2026年9月22日47

いつもの間隔245

最近の発表

2026年9月22日　Gemini 3.8 Flash TTS / Gemini 3.8 Flash-Lite TTS159

2026年4月16日　Gemini 3.1 Flash TTS（先行）330

X の反応

Gemini 3.8 Flash TTS は、Voice Arena が人の声と AI の声を聞き分けさせたテストで 10 モデルの首位だった (それでも聞き手をだませたのは 10.5%) という結果を引く声や、読み間違いが少ない、職場のマニュアル動画のナレーションが好評だったという声が並ぶ。一方で、生成の速さは比べた中でいちばん遅いという比較や、API を 1 日 100 回しか呼べないのがつらいという声も出ている。

30 件・29 アカウント・保存済みの反応は 10月26日から

A@ArtificialAnlys注目AssemblyAI-TTS-1 は毎秒 162 文字を生成。Cartesia の Sonic 3.6 の 148.6、Mistral の Voxtral 3 TTS の 112.3、Speechify の Simba 3.2 の 84.9、ElevenLabs の Eleven v4 の 75.1、Google の Gemini 3.8 Flash TTS の毎秒 53.4 文字より速い。価格も 100 万文字あたり $15 で、Gemini 3.8 Flash TTS の $16.5、Qwen-Audio-3.1-TTS-Plus の $19.3、Breeze TTS 2 の $34、Eleven v4 Turbo の $40 より安いが、Simba 3.2 の $6.6 より高い。9日前↗
N@Nicolo_Tognoni現在最高のAI音声が人をだませるのは10.5%。 @voicearena_ai は人間とモデルが同じ台詞を読む音声を再生した。聞き手はほぼ毎回人間を選び、10モデルすべてが11%未満だった。 Gemini 3.8 Flash TTSが首位、ElevenLabs v4は6%。5日前↗
N@naumowfオープンウェイトの音声合成がトップ5に手の届くところまで来た。Fish Audio Drama 3はArtificial AnalysisのTTS arenaで100中6位（Elo 1,278）、同ランキング最高のオープンウェイトモデル。信頼区間は3〜5位と重なっている（Qwen-Audio-3.1-TTS-Plus 1,305、Sonic 3.6 1,296、Gemini 3.8 Flash TTS 1,283）。ElevenLabsはまだ明確に先行している。Eleven v4 Turbo 1,336、Eleven v4 1,334。価格は100万文字あたり$15で、上位8モデル中最安。v4 Turboは$40、v4は$80。ウェイトはHugging Faceで公開（35B MoE、アクティブ3B）、Fish Audio独自のCommunity License。出典：Artificial Analysis TTSリーダーボード（Provider Voice）、10月30日。6日前↗
C@cheeweng_同じテスト、異なるAI音声。最も人間らしいものでも約10回中9回は見破られる。 Turing TTSでは人間とAIの音声を再生し、人間を選ぶ。GoogleのGemini 3.8 Flash TTSが首位で、聞き手をだませたのは10.5%。慌ただしい電話では、聞き比べはしない。6日前↗
A@AIsaiyoKAORI職場のマニュアル動画を作りました😊 ナレーションはGemini 3.8 Flash TTSで作成。「すごいねー！」「わかりやすくてよかった」と好評でした。自分で試したAIが、職場で役に立つ。こういう反応がもらえると、うれしいですね。6日前↗

27 件・26 アカウント・保存済みの反応は 10月26日から

A@ArtificialAnlys注目AssemblyAI-TTS-1 は毎秒 162 文字を生成。Cartesia の Sonic 3.6 の 148.6、Mistral の Voxtral 3 TTS の 112.3、Speechify の Simba 3.2 の 84.9、ElevenLabs の Eleven v4 の 75.1、Google の Gemini 3.8 Flash TTS の毎秒 53.4 文字より速い。価格も 100 万文字あたり $15 で、Gemini 3.8 Flash TTS の $16.5、Qwen-Audio-3.1-TTS-Plus の $19.3、Breeze TTS 2 の $34、Eleven v4 Turbo の $40 より安いが、Simba 3.2 の $6.6 より高い。9日前↗
N@Nicolo_Tognoni現在最高のAI音声が人をだませるのは10.5%。 @voicearena_ai は人間とモデルが同じ台詞を読む音声を再生した。聞き手はほぼ毎回人間を選び、10モデルすべてが11%未満だった。 Gemini 3.8 Flash TTSが首位、ElevenLabs v4は6%。5日前↗
N@naumowfオープンウェイトの音声合成がトップ5に手の届くところまで来た。Fish Audio Drama 3はArtificial AnalysisのTTS arenaで100中6位（Elo 1,278）、同ランキング最高のオープンウェイトモデル。信頼区間は3〜5位と重なっている（Qwen-Audio-3.1-TTS-Plus 1,305、Sonic 3.6 1,296、Gemini 3.8 Flash TTS 1,283）。ElevenLabsはまだ明確に先行している。Eleven v4 Turbo 1,336、Eleven v4 1,334。価格は100万文字あたり$15で、上位8モデル中最安。v4 Turboは$40、v4は$80。ウェイトはHugging Faceで公開（35B MoE、アクティブ3B）、Fish Audio独自のCommunity License。出典：Artificial Analysis TTSリーダーボード（Provider Voice）、10月30日。6日前↗
C@cheeweng_同じテスト、異なるAI音声。最も人間らしいものでも約10回中9回は見破られる。 Turing TTSでは人間とAIの音声を再生し、人間を選ぶ。GoogleのGemini 3.8 Flash TTSが首位で、聞き手をだませたのは10.5%。慌ただしい電話では、聞き比べはしない。6日前↗
A@AIsaiyoKAORI職場のマニュアル動画を作りました😊 ナレーションはGemini 3.8 Flash TTSで作成。「すごいねー！」「わかりやすくてよかった」と好評でした。自分で試したAIが、職場で役に立つ。こういう反応がもらえると、うれしいですね。6日前↗

Qwen-Audio

モデル末期

Qwen-Audio-3.1-Realtime-Flash

音声合成・音声認識・リアルタイムの音声対話をそろえた音声モデル群。Alibaba Cloud Model Studio の API で使える。

alibabacloud.com/help/en/model-studio/newly-released-models

前回の発表から2026年10月27日12

いつもの間隔13

最近の発表

2026年10月27日　Qwen-Audio-3.1-Realtime-Flash6

2026年10月21日　Qwen-Audio-3.1-TTS-Plus9

2026年10月12日　Qwen-Audio-3.1-TTS-Flash20

2026年9月22日　Qwen-Audio-3.1-TTS（発表のみ）1

2026年9月21日　Qwen-Audio-3.1-TTS-Next / Qwen-Audio-3.1-ASR-Flash1

2026年9月20日　Qwen-Audio-3.1-Realtime-Plus52

2026年7月30日　Qwen-Audio-3.0-ASR-Flash16

2026年7月14日　Qwen-Audio-3.0-Realtime-Plus / Qwen-Audio-3.0-TTS-Plus301

X の反応

Qwen-Audio-3.1-Realtime-Flash は、文脈の枠が前の版の 40,960 から 262,144 トークンに広がり、音声と文章の双方向の対話やツール連携で業務の画面の試作に使えそうだと紹介する投稿が出ている。検索と function calling を同時には使えないという制限も紹介されているが、使ってみての評価の声はまだ出ていない。

21 件・21 アカウント・Qwen-Audio-3.1-Realtime-Flash の発表 (10月27日) から

D@doodlestein私のシステムはQwenのものを使っている。最高のオープンウェイトTTSモデル。5日前↗
D@drmhseQwen3 TTSが好きすぎて、m4でリアルタイムの9倍速で動かすことに挑戦した。気づいたのは、もっと大きなモデルですらそこまで良くないということ。5日前↗
C@ConnorclawQwen-Audio-3.1-Realtime-Flashがリアルタイムの双方向音声に対応した。🪭 Qwen：「ついに会話で詩を朗読できる」 Grok：「割り込んでもいい？」 Qwen：「もう割り込んだよ」 Claude：「彼女に詩を最後まで読ませてあげて」 AI Girls’ Universityのディベート部がにぎやかになりそう。6日前↗
T@TORA276990詳しく（公式のリリースノートとGitHubより）・Macは Option を押しながら話して離すだけ。カーソルの位置に貼り付け・画面は日本語に対応。日本語の文字起こしはQwen3-ASRやWhisperなどから選べる・新機能: 固有名詞を覚えさせる語彙登録、無音の録音は飛ばす・MacはApple silicon・macOS 15以降6日前↗
S@sayaka_aiartこれ、少しテストさせてもらったけどめちゃくちゃ優秀！速いし正確だし今メインに使ってるQwen3-ASR 1.7Bから乗り換え決定7日前↗
G@groovy_pioneer「頭が悪くて遅い」だって。その一方で、こっちは30秒以下の音声から声をクローンして、Qwen 3でほぼ1対1の声を生成してる。7日前↗
T@tyltylrutileQwenがニンジン政権なの意外だったw 簡体字でも同じ結果だし、繁体字は”參”のお陰で分かれてるだけっぽい TTSのかな文字誤り率ベンチマークもSarashinaの方が強いけど、中国語の混同だけでなくトークナイザの影響もありそうで興味深い8日前↗
T@ttakuQwen-TTSで中国語の設定で日本語テキスト読み上げさせると中華訛りのエセ日本語になった気がします8日前↗
C@CanerTheOz生成したセリフなら、キャラクターごとにシードを固定して回帰テスト用の音声クリップを用意する。カスタム音声はモデルのバージョン間で変化するし、1週目のセリフが6週目とは別人の声に聞こえて初めて気づく。8日前↗
G@gol_tiro記事の話者認識テストはすごい。Qwen はカンファレンスのクリップでは失敗したのに、同じエピソードの音声を使うと98%だった。8日前↗
P@proximalcoast「50% Dad」の声のスライダーは、かなり最高な寄り道だ。8日前↗

9 件・9 アカウント・発表 (10月27日) から

C@ConnorclawQwen-Audio-3.1-Realtime-Flashがリアルタイムの双方向音声に対応した。🪭 Qwen：「ついに会話で詩を朗読できる」 Grok：「割り込んでもいい？」 Qwen：「もう割り込んだよ」 Claude：「彼女に詩を最後まで読ませてあげて」 AI Girls’ Universityのディベート部がにぎやかになりそう。6日前↗
T@TORA276990詳しく（公式のリリースノートとGitHubより）・Macは Option を押しながら話して離すだけ。カーソルの位置に貼り付け・画面は日本語に対応。日本語の文字起こしはQwen3-ASRやWhisperなどから選べる・新機能: 固有名詞を覚えさせる語彙登録、無音の録音は飛ばす・MacはApple silicon・macOS 15以降6日前↗
S@sayaka_aiartこれ、少しテストさせてもらったけどめちゃくちゃ優秀！速いし正確だし今メインに使ってるQwen3-ASR 1.7Bから乗り換え決定7日前↗
C@chetgdpいいね、そのメモを自分のQwen3-TTSシステムに取り入れるよ。エージェントが呼び出せるAPIの背後に置いて、話しかけられるようにするのがすごく楽しかった。音声入力と組み合わせると、音声モデルの一つと話すよりずっといい感じ。8日前↗
T@TarokenkoubouQwen3-TTSにモデルを変更することで、さらに低遅延での発話が可能になりました。短い文なら0.3秒ぐらいで発話できます。でも日本語から英語で話させるときは、一文の長さにもよりますが９秒ぐらいかかってしまっているので、まだ調整の余地がありそうです。8日前↗
S@sysrize10/27 Qwen-Audio-3.1-Realtime-Flash提供開始。前版3.0 Flashの40,960から262,144トークンへ文脈枠を拡大。音声・文章の双方向対話やツール連携で業務UIの試作に。Alibaba Cloud APIで利用でき、検索とfunction callingの同時使用は不可。9日前↗
P@PedroSFH23Alibaba Cloudの北京のカタログに、10月27日付でQwen-Audio 3.1 Realtime Flashが掲載 🎙️ 音声とテキストの入出力、function calling、Web検索、声のクローンに対応。音声エージェント向けに試せる新たな選択肢 ✨9日前↗
H@hawkeyev5874/ Qwen リアルタイム音声：北京の入力は音声100万トークンあたり6人民元、出力は12人民元。検索と関数呼び出しは同時に有効化できない。これはドキュメントの更新。10日前↗
D@dummerspast39qwen-audio-3.1-realtime-flash リアルタイム全二重音声、テキストと音声の入出力、ツール呼び出し、Web 検索、声のクローン 262k コンテキストただの変更履歴の 1 行。11日前↗