iFLYTEK Xinghuo、90年代生まれが最前線へ
組織再編の一場面 1990年、17歳の理系学生が重要な決断を下した。 彼は清華大学の自動車工学専攻への推薦入学の機会を辞退し、中国科学技術大学で音声合成技術を専攻することを選んだ。その9年後、彼と十数人の科大生が立ち上げた「ガレージ....」
AI NEWS JOURNAL
AI の全ニュース
出典・テーマ・日時から、気になるニュースを見つけられます。
アポロのチーフエコノミストは、AIがテクノロジー業界以外の米国企業にもたらす「財務上のリターンはゼロ」だと述べた
アポロ・グローバル・マネジメントのチーフエコノミスト、トルステン・スロック氏は、S&P 493（S&P 500から7大テクノロジー企業を除外したもの）を分析した結果、非テクノロジー企業の利益率は1人当たり売上高と同水準であり、AIが生産性を向上させているという証拠は見当たらないと指摘しました。さらに、AIには説明責任や信頼、企業文化といったビジネスの重要な要素に対する理解が欠如しているため、まだ財務面での効果をもたらしていないと述べています。
注目する理由：この見解は、主要な上場企業群（S&P 493）に関する実証的観察に基づいており、明示的なデータ範囲と制限条件（AlphabetやAmazonなど7社のテクノロジー企業を除外）を引用し、最近の複数の研究結果とも呼応しているため、検証可能な分析フレームワークと明確な帰属の境界を備えています。
Canvaは自社開発のAI画像生成モデル「Canva Craft」をリリースし、二段階設計のアーキテクチャを採用しています。
Canvaは、独自開発のAI画像生成モデル「Canva Craft」を初めて導入し、計画段階と生成段階の二段階アーキテクチャにより、デザインの精度・一貫性・制御性を向上させました。2K解像度および30種類以上のアスペクト比に対応し、ソーシャルメディア、マーケティングコンテンツ、デジタルアートなどの用途に適しています。
Canvaは、自社開発の初の画像生成モデル「Canva Craft」をリリースし、全ユーザーに公開しました
Canvaは、独自開発の初の画像生成モデル「Canva Craft」を正式にリリースしました。同モデルは二段階生成アーキテクチャを採用し、2K解像度と30種類のアスペクト比での出力をサポートするとともに、テキストの可読性とレイヤーの編集可能性を重視しています。このモデルは、プラットフォーム内の数百万人のヒューマンデザインテンプレートを基に学習されており、すでにDream LabおよびAPIに統合されています。今後はMCPを通じてChatGPTやGeminiなどの第三者チャットボットにも接続される予定です。
Amazon SageMakerがKokoro-82M TTSモデルをリリースし、AI音声エージェントによる低遅延のストリーミング音声合成をサポートします
AWSは技術ソリューションを発表し、SageMakerでホストされるKokoro-82Mのテキスト音声変換モデルを活用して、双方向WebSocketを通じてAIエージェントがテキストを生成しながら同時に音声を合成することで、エンドツーエンドの音声応答遅延を大幅に低減します。このソリューションでは、Base64-SSEと統一バイナリ転送の2種類のオーディオ戻り方式を提供しており、明示的に「価値検証型」（proof-of-value）と位置付けられていますが、まだ本番運用に向けた準備状態には至っていません。
Amazon SageMaker TTSサービスによる測定駆動型の自動スケーリングの実現：Kokoro-82Mモデルを例として
AWSブログでは、テキスト音声変換（TTS）モデルをSageMakerのリアルタイムエンドポイントにデプロイする際の、経験に基づく推測に頼らない実証的な自動スケーリング手法について紹介しています。この手法は、Q_max（単一インスタンスで持続可能な最大同時リクエスト数）とT_total（計画的スケーリングに要する時間）という2つの実測指標を基に、再現性と検証可能性を備えたスケーリング戦略を構築します。
IBMがGranite Speech 5.0シリーズの音声モデルを発表：多言語の文字起こし・翻訳および話者識別に対応
IBMは、Granite Speech 5.0シリーズの3つのオープンソース音声モデルを発表しました。granite-speech-5.0-2b（高精度な多言語ASR/MT）、granite-speech-5.0-470m-turboctc（超高速なエッジ端末向け多言語トランスクリプション）、および更新版のgranite-speech-4.1-2b-plus（強化型の複数話者対応会話モデリング）です。これらはすべてApache 2.0ライセンスに基づいており、主流の推論フレームワークをサポートしています。
MistralがVoxtral 3音声インテリジェントエージェントSDKを発表：50以上の言語によるリアルタイム音声対話と感情表現型TTSをサポート
Mistralは2026年10月26日までに、多言語対応のリアルタイム音声対話向けエンドツーエンドSDKおよびモデルファミリーであるVoxtral 3を発表する予定です。同製品は、ASR（話者分離機能を含む）、推論層、TTSの三大モジュールを網羅しており、データ主権とモジュール型デプロイを重視しています。ただし、すべての性能に関する主張はメーカーによる自己テストに基づくもので、独立した第三者による検証は行われていません。
YouTube Musicが生成AIによる音楽タグ付けを開始：「AI創作」と表示し、禁止はしない
YouTube Musicは2026年10月から、世界規模で生成AIによる音楽コンテンツに表示されるラベルの導入を段階的に開始しており、これはYouTube本サイトにおけるAI生成動画へのラベリングの取り組みを引き継ぐものです。この措置は、コンテンツの削除や制限を意味するものではなく、クリエイターの出所に関する透明性に対するユーザーのニーズに応えるものです。
Welcome FLUX.3 Image Klein in Diffusers
Welcome FLUX.3 Image Klein in Diffusers
翻訳待ち・原文を表示中 · enHow Diffusion Controller unifies and simplifies AI image generation
Algorithms & Theory
翻訳待ち・原文を表示中 · enAutomating coherent long-form video generation
Generative AI
翻訳待ち・原文を表示中 · enGemini 3.8 text-to-speech says hello
Gemini 3.8 text-to-speech says hello
翻訳待ち・原文を表示中 · en低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く
低周波マルチリンガルボイスエージェントの構築: NVIDIA Magpie TTS で重量とフル展開制御を開く
Nunchaku 4ビット拡散器への干渉を持参
Nunchaku 4ビット拡散器への干渉を持参
Towards demystifying the creativity of diffusion models
Algorithms & Theory
翻訳待ち・原文を表示中 · enGemini 3.1 Flash TTS: the next generation of expressive AI speech
Our newest audio model introduces granular audio tags that give you precise control to direct AI speech for expressive audio generation.
翻訳待ち・原文を表示中 · enNano Banana 2：プロの機能と驚異的な高速処理を融合
当社の最新の画像生成モデルは、高度な世界知識、プロダクション対応の仕様、被写体の一貫性などを備え、すべてをフラッシュスピードで実現します。
Veo 3.1 インジケーターから動画へ：一貫性、創造性、そして制御性の向上
当社の最新版Veoアップデートは、自然で魅力的な、活気に満ちた動的クリップを生成し、縦向き動画の生成にも対応します。
Nano Banana Proと、当社のGemini 3 Pro Imageモデルで構築してください
Nano Banana Proと、当社のGemini 3 Pro Imageモデルで構築してください