音声で話す AI、各社のモデルの一覧 会話・文字起こし・読み上げ・見た目付きに分かれ、API の料金は1分あたりで決まるものが多い
9月下旬から10月下旬にかけて、SpaceXSI・Mistral AI・NVIDIA・Google・Block が音声の AI のモデルを相次いで出した。聞いてそのまま声で返す会話のモデル、聞く・考える・話すを別々の部品でつなぐもの、文字起こし、読み上げ、顔の映像が付くものに分けて、言語・使える場所・料金を表にした。
モデルと料金
新しいモデル・版、前の版との比較、料金が上がったか下がったか（36件の記事）
スマホやPCの中で動くAIは何ができる？
スマートフォンの詐欺警告とメディア検索、PCなどで動くエージェントを4事例で比較する。使える機器と公表されたメモリの値、どこまで端末内で処理するかを整理した。
NVIDIA が文字起こし・話者の区別・翻訳・音声への質問を1つでこなす「Nemotron 3.5 Transcribe」を公開 オープンウェイトの音声認識で英語の順位表1位とする
NVIDIA が2026年10月28日（米国時間）、重みを公開する音声認識モデル「Nemotron 3.5 Transcribe」を Hugging Face と ModelScope に公開した。Hugging Face の Open ASR Leaderboard（英語）で、API モデルを除くオープンウェイトの中で1位（平均 WER 5.33%）としている。
Block、音声対話モデル「Dessa」の学習に使ったのはNVIDIA「GB200 NVL72」1台 言語の習得に要した語数は大規模言語モデルの数百分の1と説明
ジャック・ドーシー氏が率いるBlock（旧Square）社内の研究ラボが、人間の会話音声だけから学習した全二重の音声対話モデル「Dessa」を研究プレビューとして公開した。学習に使ったのはNVIDIAの「GB200 NVL72」1台のみで、言語の習得に要した語数も大規模言語モデルの数百分の1だとしている。
Mistral AI が音声対話の AI「Voxtral 3」を発表 聞く・考える・話すを1つの仕組みにまとめ、50以上の言語に対応
Mistral AI が、音声での対話に特化した新しいモデル群とSDK「Voxtral 3」を発表した。文字おこし・音声合成・対話の制御を1つの仕組みでつなぎ、50以上の言語・35以上の言語での自然な話し方に対応する。自社の API（ヨーロッパ・米国・全世界の3つの接続先）か、利用企業自身のサーバーに置いて動かせる。
Cloudflare、文章や画像から値を抜き出す新型モデル「Clairic」を公開 自社試験ではLLMより3.2倍速く、費用49%安いとする
Cloudflare が、請求書や受領書のような文章・画像から数値や日付を直接取り出す新しい種類のモデル「Clairic」を Workers AI で試験公開した。LLM を組み合わせた処理と比べ、同社の試験では処理が3.2倍速く、費用が49%安かったとしている。
DeepSeek、「DeepSeek-V4.1-Flash-1017」を無償公開 コーディングなど4つのベンチマークで Claude Opus 5 を上回る
DeepSeek が新モデル「DeepSeek-V4.1-Flash-1017」を公開した。MIT ライセンスの無償公開で商用利用もできる。前版から11個のベンチマークすべてで上回り、うち4個は Anthropic の Claude Opus 5 も上回った。
NVIDIA が「Nemotron 3.5 Super VL」と、端末で動く「Bolt」2種を公開 1200億パラメータで同クラス最速をうたう
NVIDIA が Nemotron ファミリーに、データセンター向けの「Nemotron 3.5 Super VL」と、端末で動く「Nemotron 3.5 Bolt」2種を追加した。重みを公開するオープンモデルで、Super VL は同クラスの他モデルより最大5倍速いとしている。
Mistral、時系列の予測に特化したモデル「Timestral」を初公開 2億900万パラメータで主要3ベンチマークの首位を主張
Mistral AI が、設備のセンサーの値や監視の指標など時系列データを予測するための基盤モデル「Timestral」を公開した。最大2億900万パラメータで、CPU だけで動かせるとしている。重みは Modified MIT ライセンスで公開。
SpaceXAI（旧 xAI）が音声モデル「Grok Voice 3.0」を公開 料金は前の版と同じ、1分あたり0.08ドル
SpaceXAI（旧 xAI）が音声対話モデル「Grok Voice 3.0」を公開した。独立機関の計測では主要な指標で前の版や他社モデルを上回ったとしている。料金は前の版のGrok Voice 2.0と同じ、1分あたり0.08ドル。
Meta が新モデル「Muse Wonder」「Muse Wonder Full」を発表 自社で最も性能が高いモデルと位置づけ
Meta が自社史上もっとも高性能だとする新モデル「Muse Wonder」「Muse Wonder Full」を発表した。保険の請求や賃貸契約の確認、アプリ作りなど実務のエージェント向けで、会話をまたいで情報を覚える「Active Memory」などの機能を備える。
Liquid AI が端末だけで動くエージェント向けモデル「LFM2.5-24B-A2B」を公開 重みは公開、活性パラメータは2B
Liquid AI が新しいオンデバイス向けモデル「LFM2.5-24B-A2B」を公開した。全体で24Bパラメータだが、1トークンあたり動くのは2Bだけで、手元の端末で道具を呼び出すエージェントを速く安く動かせるとしている。重みは公開（オープンウェイト）。
Google が「Gemini 4 Argon」を一般提供開始 API の有料枠と、Pro・Ultra の契約者が使えるように
Google が「Gemini 4 Argon」を一般提供した。9月30日の発表時はサイバー防御の担当者向けに限っていたが、Gemini API の有料枠を使う開発者・企業と、Google AI Ultra・Pro の契約者（Gemini アプリと検索の AI Mode）に開放した。Google Antigravity で試せるのは Ultra の契約者。
Google、端末内で動くマルチモーダル検索モデル「EmbeddingGemma 2」を公開 画像・音声・動画を1つのモデルで検索
Google が新しい埋め込みモデル「EmbeddingGemma 2」を公開した。文字・画像・音声・動画を1つのベクトル空間に変換し、スマートフォンなど端末上で動く検索・RAGに使える。モデルの重みはHugging FaceとKaggleで公開され、ライセンスは商用利用を認めるApache License 2.0。
世界各国の AI 開発事情 「自国の AI」も、一から作ったもの・他国のモデルが元のもの・組み合わせたものに分かれる
米国・中国・欧州・中東・アジアの主な開発元の最新のモデルを、各社の公式の資料で一覧にした。自前で一から学習したと明記する開発元がある一方、シンガポールの国の資金で作ったモデルは米国 NVIDIA のモデルが元で、日本の Sakana AI の Fugu は他社のモデルを組み合わせる仕組みだった。
Microsoft、コーディングAI「MAI-Code-1.1-Flash」公開 ローカルとクラウドを使い分ける「Hybrid Intelligence」もWindowsに導入
Microsoft がコーディング向けAIモデル「MAI-Code-1.1-Flash」を公開した。端末上でのローカル実行に対応し、前版よりトークン効率が25%向上、コストは4分の1になったとしている。同日、ローカルとクラウドのAIを使い分ける「Hybrid Intelligence」のWindows導入も発表した。
Liquid AI、画像も読める「判断モデル」d1を公開 費用はGPT-6.1 Sol・Claude Opus 5.5の19分の1〜200分の1
Liquid AI が、文章と画像を読んで「はい/いいえ」などの判断を1回の処理で返す「判断モデル」d1に画像入力を追加した。6つの実務課題で GPT-6.1 Sol・Claude Opus 5.5 と比べたところ、GPT-6.1 Sol に対しては4件で同等以上の精度を示し、コストは両モデルの19分の1〜200分の1としている。
Liquid AI、重みを公開した小型の判断モデル「d1-3B」「d1-omni-600M」を公開 端末上で8〜50ミリ秒で応答
Liquid AI が、重みを公開した小型の判断モデル「d1-3B」と、音声も扱える「d1-omni-600M」を Hugging Face で公開した。NVIDIA の GPU から組み込み機器 Jetson まで、8〜50ミリ秒で応答するとしている。
NVIDIA、1つの「Nemotron」系列から派生させたモデルで情報オリンピックと数学オリンピックの両方で金メダル水準を達成
NVIDIA が2026年10月7日、「Nemotron 3」から特化させたモデルが情報オリンピック（IOI）2026と数学オリンピック（IMO）2026の両方で金メダルの基準を超えたと発表した。モデルと学習データの一部を Hugging Face で公開している。
OpenAI が ChatGPT に「GPT-6」を広げ、答えを図や操作できる画面で返す「Intelligent UI」を導入
OpenAI が2026年10月7日、ChatGPT を週に使う12億人以上の利用者に GPT-6 を広げ、答えを図・ボタン・簡単な道具などの画面として返す「Intelligent UI」を導入した。GPT-6 Instant は検索が必要な質問で、前のモデルより平均44%早く答え始めるという。
Reflection AI が5010億パラメータの重み公開モデル「Beam」を発表 重みは10月中に Apache 2.0 で出すとしている
Reflection AI が2026年10月5日、同社初の重み公開モデル「Beam」を発表した。5010億パラメータ（動くのは230億）の混合エキスパートで、重みと技術報告書は10月中に Apache License 2.0 で公開するとしている。GB300 GPU 1万500基を4週間使い、1億回を超える試行で強化学習したという。
Mistral が「Mistral Large 4」の公開プレビューを始めた 1兆パラメータで、重みは10月中に公開するとしている
Mistral AI が2026年10月6日、新しい大規模モデル「Mistral Large 4」の公開プレビューを始めた。1兆パラメータ（動くのは490億）の重み公開モデルで、重みは10月中に出すとしている。欧州の自社データセンターの NVIDIA GPU 3,800基でゼロから学習したという。
UAE の TII がエミラティ方言に特化したモデル「Falcon-Emirati-7B」を発表 方言で答える度合いは比べた5モデル中で唯一0.5を超えた
アラブ首長国連邦の Technology Innovation Institute が2026年10月6日、UAE の口語（エミラティ方言）に特化した70億パラメータのモデル「Falcon-Emirati-7B」を発表した。方言の能力を測る1,173問の試験で84.83%と、比べた他のモデルより高かったとしている。
ELYZA が「AI による AI 開発」の研究組織を設立 人の作業を1〜2人日に抑えてモデルを学習させ、ハーネスの自動改善で成功率を14.4〜27.2ポイント上げたと発表
株式会社ELYZA が2026年10月2日、AI が自分の能力や開発の手順を繰り返し改善する「再帰的自己改善（RSI）」の研究組織「ELYZA RSI Research」を設立すると発表した。あわせて国産のオープンモデルを土台にした推論モデル2本を Apache License 2.0 で公開し、自律改善の実験の数字を示した。
Cloudflare が判断に絞ったモデル「Clef」を公開 重みは Apache License 2.0 で配り、中位の応答は209.3ミリ秒
Cloudflare が2026年10月1日、分類と判断に絞った自社学習のモデル「Clef」「Clef-flash」を公開した。重みは Apache License 2.0 で配り、Workers AI でも動かす。画像も入力でき、文脈の窓は6万4000トークン。あわせて Clef を顧客のデータで微調整する強化学習のサービスも始める。
Ai2 が科学の報告書を書くモデル「AstaBrief 8B」を公開 重みを Apache 2.0 で出し、報告書1本の生成は約3.5倍速く
Ai2 が、研究の問いと文献の抜粋から出典つきの報告書を書くモデル AstaBrief 8B を、重みと学習データごと公開した。ライセンスは Apache License 2.0。報告書1本あたりの生成は平均51.1秒で、Claude を使う従来の流れの約3.5倍速いとしている。
Google が最上位モデル「Gemini 4 Argon」を発表 出力の上限を64Kから100万トークンへ広げ、まずはサイバー防御の担当者だけに配る
Google が新しい最上位モデル「Gemini 4 Argon」を発表した。出力トークンの上限を従来の64Kから100万トークンに広げ、まずは「Fairwind Program」を通じてサイバー防御の担当者に限って配る。導入価格は100万トークンあたり入力2ドル・出力10ドル。
Ai2 が大規模 MoE 向けの学習基盤「Olmo-core 3」を公開 専門家の数を8から128に増やしても処理量の落ちは5%未満だとしている
Ai2（Allen Institute for AI）が、混合専門家（MoE）型の大規模モデルを学習させるための基盤「Olmo-core 3」を公開した。専門家の数を8から128に増やしても学習の処理量の落ちは5%未満で、1兆パラメータ超の構成でも測ったとしている。
OpenAI が高速版「Ultrafast」と上位プラン「Pro 500」を発表 Codex で毎秒300トークン、最大8倍速く生成
OpenAI が DevDay 2026 で、速さを優先する「Ultrafast」と、利用枠が最も多い新プラン「Pro 500」を発表した。Ultrafast は Codex で最大8倍（毎秒300トークン）、API で最大6倍の速さで生成する。
OpenAI が「GPT-6.1 Sol」を公開 API の入力・出力の単価は GPT-6 Sol と同じで、キャッシュ済みの入力だけ半額に
OpenAI が GPT-6 Sol の上位版「GPT-6.1 Sol」を出した。API の単価は100万トークンあたり入力2ドル・出力10ドルで前の版と同じ。キャッシュ済みの入力だけが0.20ドルから0.10ドルへ下がった。
H company がコンピュータを操作するモデル「Holo4」を公開 画面の操作・コード・API を1つのモデルで扱い、重みは非商用のライセンス
H company が2026年9月28日、コンピュータを操作して作業をこなすモデル「Holo4」を公開した。画面のクリックや入力、自分で書いたコードの実行、MCP や API の呼び出しを1つのモデルで使い分ける。重みは非商用の CC BY-NC 4.0 で公開されている。
Anthropic が「Claude Sonnet 5.5」を公開 単価は Sonnet 5 と同じで、1件あたりの費用は最大3割安いとしている
Anthropic が Claude 5.5 シリーズの2番目のモデル「Claude Sonnet 5.5」を出した。100万トークンあたりの単価は Sonnet 5 と同じ（入力2ドル・出力10ドル）だが、同じ仕事に使うトークンが減るため1件あたりの費用は最大30%安く、出力は30%以上速いとしている。
Microsoft が Copilot の料金の考え方を2本立てに 日常の AI は利用者ごとの固定、任せる仕事はクレジットの従量課金
Microsoft が Copilot の料金を「利用者ごとの固定の契約（USL）」と「Copilot クレジットの従量課金（UBB）」に分けると発表した。Opus 5 のような新しいモデルは上限つきで固定の契約に入り、Cowork や Autopilot は従量課金になる。発表の文章には具体的な金額が書かれていない。
Google が「Gemini 3.8 Live with Live Avatar」を公開 97言語で、話すのに合わせて口の動きと表情が動き、参照画像1枚から独自のアバターを作れる
Google が、会話する AI に見た目を足した「Gemini 3.8 Live with Live Avatar」を公開した。音声とほぼ同時に映像を作り、97言語で口の動きと表情を合わせる。企業向けの Gemini Enterprise で発表と同日から使える。料金は発表に無い。
SpaceXAI（旧 xAI）が「Grok 4.7」を公開 料金は前の版と据え置きで、100万トークンあたり入力2ドル・出力6ドル
Grok 4.7 が公開された。料金は前の版の Grok 4.6 と同じ（100万トークンあたり入力2ドル・出力6ドル）で、コーディングと知識を使う仕事の性能を上げたとしている。月額プランについての記載は発表に無い。
Google が音声合成モデル「Gemini 3.8 Flash TTS」「Flash-Lite TTS」を公開 文章の指示で声を作り、30秒の音声から複製
Google が Gemini の音声合成モデルを2つ公開した。役柄やなまりを文章で指示して100を超える言語・方言の声を作れ、30秒の音声から本人の同意を確かめたうえで声を複製できる。API と Google AI Studio で同日から使える。料金は発表に無い。