嵐圖汽車は、独自開発のAI音声対話システムを2025年上半期に正式発表し、発売予定の新型車に搭載すると発表しました。このシステムは応答速度が非常に速く、すべての操作の反応時間は1秒未満です。これは、音声で車両を制御する際に、よりスムーズな体験を得られることを意味します。さらに、98％を超える認識率を誇り、ユーザーの指示を正確に認識できます。技術の進歩に伴い、嵐圖汽車は2025年下半期に大規模なOTA（無線アップデート）を実施する予定です。

海信グループは、自社開発の星海大模型をDeepSeekに接続したと正式発表しました。この取り組みは、スマートライフおよびスマートシティ分野において、より便利でスマートなインタラクション体験を提供することを目的としています。2024年から開発された海信の星海大模型は、言語、ビジュアル生成、マルチモーダル理解の3つの分野を網羅しています。DeepSeekとの統合により、海信のAI技術能力は飛躍的に向上しました。海信テレビユーザーにとって、DeepSeek接続後は、リモコンのAI機能が…

豆包社は先日、新たなリアルタイム音声大規模言語モデルを発表しました。中国語での対話において「断崖絶壁の進歩」を遂げたと謳っており、AIの対話能力が著しく向上したことを示しています。このモデルは豆包App（バージョン7.2.0新春版）で全面的に公開され、ユーザーにより豊かでリアルな音声コミュニケーション体験を提供します。豆包のリアルタイム音声大規模言語モデルは、音声理解と生成を深く融合させ、エンドツーエンドの音声対話システムを形成しています。この技術的ブレークスルーにより、モデルは音声表現力、制御力、感情表現において…

ElevenLabsは先日、最新のボイス合成モデルFlashを発表しました。これはこれまでで最速のテキスト読み上げ(TTS)ソリューションと主張されており、音声生成の遅延はわずか75ミリ秒(アプリとネットワークの遅延を含む)です。Flashは低遅延の対話型音声アシスタントに最適で、ElevenLabsの対話型AIプラットフォームでこの新機能をすぐに体験できます。Flashモデルには2つのバージョンがあり、Flash v2は英語のみに対応していますが、F

昆侖万維科技股份有限公司は最近、最新の製品である「天工大模型4.0」4o版（Skywork4o）とリアルタイム音声対話アシスタントSkyoを発表しました。この進展は、同社の人工知能分野における更なる発展を示しており、より質の高いユーザー体験を提供することに尽力しています。Skyoはスマート音声対話製品であり、迅速な応答と多言語対応の対話能力を備え、対話を主体的に開始したり、リアルタイムで中断したりすることができます。この製品は、感情的な反応とパーソナライズされた音声カスタマイズ機能も備えており、ユーザーに温かく親しみやすいサポートを提供することを目指しています。

Googleは、AppleのApp Storeで新しいGeminiアプリを正式リリースし、音声対話機能Gemini Liveを搭載しました。これは、スマート音声アシスタント分野における大きな進歩を示しています。一方、AppleがSiriにOpenAIのChatGPTを統合する計画という報道もあり、この分野の競争が激化していることを示唆しています。2023年にリリースされたBardのアップグレード版であるGeminiは、

西湖心辰は、開発したWestlake-Omniモデルのオープンソース化を発表しました。世界初のオープンソース中国語感情エンドツーエンド音声対話大規模言語モデルであるWestlake-Omniは、離散表現を用いてテキストと音声のモダリティを統一し、リアルタイム性を重視した設計となっており、迅速な応答とほぼゼロ遅延の体験を提供します。

上海交通大学とバイトダンスが共同開発した全二重型言語モデルLSLMは、従来のAIアシスタントのインタラクションモデルを覆し、聞きながら話せるリアルタイムインタラクションを実現しました。LSLMの最大の強みは、音声入力と生成出力を同時に処理できる点で、対話の自然さと流暢さを大幅に向上させています。ストリーミング自己教師あり学習とトークンベースのデコーダを組み合わせることで、リアルタイム音声インタラクションをサポートし、騒音環境下でも優れた性能を発揮します。LSLMの中間融合戦略は、音声生成とリアルタイムインタラクションの最適なバランスを実現し、強力なノイズ耐性を示しています。

OpenAIの主力モデルであるGPT-4oは、5月の発表時にその音声認識能力で注目を集め、平均320ミリ秒の応答速度は人間の会話速度に匹敵します。このモデルは、テキスト、ビジュアル、音声の3つのモダリティをエンドツーエンドでトレーニングすることにより、多様な入力と出力の可能性を示しました。OpenAIは、6月にChatGPT Plusを通じて一部ユーザーに高機能音声モード機能を導入する予定でしたが、モデルの検出と有害なコンテンツ拒否能力の向上が必要だったため、1ヶ月延期されました。新機能により、Ch

知網は先日、AIを活用した学術研究アシスタントアプリのモバイル版をリリースしました。これは、研究者がモバイル機器で手軽に学術研究を行えるようにするためのものです。本アシスタントは、質問応答型拡張検索、インスピレーションセンター、音声対話、ノート質疑応答の4つの機能を搭載しており、自然言語処理を通じてユーザーに包括的で専門的な回答を提供し、テーマ、アウトライン、文献の推奨を行い、音声入力と読み上げにも対応しています。ユーザーは音声でシステムとやり取りし、関連資料を入手することで、効率を高め、便利な検索体験を楽しむことができます。また、ユーザーのノート情報はモバイル端末とPC間でリアルタイムに同期され、使い勝手が向上します。

アリババ通義研究所は最近、FunAudioLLMという音声生成大規模モデルプロジェクトをオープンソース化しました。これは、人間と大規模言語モデル（LLMs）間の自然言語音声対話体験を向上させることを目的としています。このプロジェクトは、SenseVoiceとCosyVoiceという2つのコアモデルで構成されています。

📱 スマートスピーカーのジレンマ：本稿では、スマートスピーカーが「おもちゃ」というレッテルを貼られてしまう原因として、インタラクション体験の不足や利用シーンの単調さなどを分析しています。💡 大規模言語モデルの応用：本稿では、大規模言語モデルがスマートスピーカーに新たな発展の機会をもたらし、インタラクション体験を大幅に向上させる可能性について言及しています。🤝 業界競争：本稿では、百度、阿里巴巴、小米などの企業によるスマートスピーカー市場における競争状況についても触れています。

ChatGPTがiOSとAndroidプラットフォームで音声対話機能を提供開始。ユーザーは5種類の音声から選択して直接音声で対話できます。画像処理機能では、ユーザーが画像をアップロードすると、ChatGPTが画像の内容を分析して応答します。OpenAIは、悪用を防ぐため、新機能のリスク軽減策を段階的に整備していくとしています。新機能は今後2週間以内にPlusユーザーと法人ユーザー向けに展開予定です。

OpenAIはChatGPTに音声と画像機能を追加。音声対話と画像認識の新機能は、まずChatGPT Plusとエンタープライズ版ユーザー向けにリリース。音声機能はWhisperモデルに基づいており、マルチモーダルChatGPTはGPT-4Vと呼ばれ、GPT-4と同時にトレーニングされました。セキュリティ上の考慮からリリースが遅延されました。