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。
- 2026年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
- 作りは大きく2つある。音声を聞いてそのまま声で返す会話のモデル（Grok Voice 3.0・Dessa）と、聞く・考える・話すを別々の部品でつなぐもの（Voxtral 3）。Voxtral 3 は部品ごとに入れ替えられるとしている
- API の料金は、Grok Voice 3.0 が1分あたり0.08ドル、Mistral の会話の API が1分あたり0.04〜0.08ドル。NVIDIA の Nemotron 3.5 Transcribe は重みを公開していて、自分のコンピュータで動かせる
- 声の扱いも動いている。Google は出力の音声と映像に電子透かしを入れていて、日本俳優連合は、声を AI で使うときの段階ごとの書面の同意を求めるガイドラインを出した（10月15日）
1. 音声の AI の種類
| 種類 | 何をするか | この期間に出たもの |
|---|---|---|
| 会話のモデル | 音声を聞き、文字に直さずにそのまま声で返す | SpaceXSI の Grok Voice 3.0、Block の Dessa |
| 部品をつなぐ会話 | 文字起こし・考えるモデル・読み上げを別々に動かし、つなぐ | Mistral AI の Voxtral 3 |
| 文字起こし | 音声を文字にする。話者の区別や翻訳もする | Mistral AI の Voxtral Transcribe 3、NVIDIA の Nemotron 3.5 Transcribe |
| 読み上げ（音声合成） | 文字を声にする | Mistral AI の Voxtral Mini TTS 3 |
| 見た目付き | 話すのに合わせて、顔の映像の口の動きと表情を作る | Google の Gemini 3.8 Live with Live Avatar |
2. 会社ごとのモデル
| 会社 | モデル（発表） | できること | 言語 | 使える場所 | 料金 |
|---|---|---|---|---|---|
| SpaceXSI | Grok Voice 3.0（10月14日） | 会話。応答までの遅さは1秒未満としている。Tesla と SpaceX で1日に数百万の会話を受け持ち、Starlink の窓口は1日2万件の電話に使っている | — | API | 1分あたり0.08ドル（1時間4.80ドル）。前の版と同じ |
| Mistral AI | Voxtral 3（10月20日） | 文字起こし・考える・道具の呼び出し・読み上げをつなぐ音声のエージェントの SDK と、各部品のモデル | 文字起こし50以上、読み上げ35以上（方言は50以上） | Mistral の API（欧州・米国・全世界の接続先）、自社のサーバー | 文字起こし1分あたり0.0035〜0.008ドル、読み上げ100万文字あたり13ドル、会話の API 1分あたり0.04〜0.08ドル |
| NVIDIA | Nemotron 3.5 Transcribe（10月28日） | 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。録音向けで、ライブの配信向けではない | 文字起こし40、うち英語との翻訳31、話者の区別13 | 重みを公開（Hugging Face・ModelScope）。Baseten・DeepInfra などでも動く | — |
| Gemini 3.8 Live with Live Avatar（9月24日） | 会話に、口の動きと表情が合う顔の映像を付ける。参照の画像1枚から独自のアバターを作れる（いまは個別の許可を得た企業だけ） | 97 | Gemini Enterprise | — | |
| Block | Dessa | 文字も学習済みのモデルも使わず、人の会話の音声だけで学習した会話のモデル。聞きながら同時に話せる | — | 順番待ち。AI の安全の研究者の少数に先に使ってもらう。MacBook Pro（M4 Max 以上）で動くとしている | — |
性能（会話のモデルの総合点。Artificial Analysis の「Overall AA Speech-to-Speech Index」）
| モデル | 総合点 |
|---|---|
| Grok Voice 3.0（SpaceXSI） | 86.9 |
| GPT-Live-1（Astra, Medium） | 83.2 |
| Gemini 3.8 Live（Ext. Thinking, High。Google） | 82.6 |
| Grok Voice 2.0（SpaceXSI の前の版） | 81.3 |
Artificial Analysis が2026年10月13日に測った値を、SpaceXSI の発表が引用したもの。
3. 声の扱い
| 点 | 中身 |
|---|---|
| 電子透かし | Google は、AI の製品が出す音声と映像のすべてに電子透かし SynthID を入れているとしている |
| 声を似せる | Mistral AI の Pro Voice は、30分の音声から、話し手の話し方や感情の幅を、別の言語でも再現できるとしている |
| 出す前の確かめ | Block は Dessa を一般には出さず、想定していない危険を見つけてもらうために、AI の安全の研究者の少数に先に使ってもらうとしている |
| 声優・俳優の同意 | 日本俳優連合のガイドラインは、学習・生成・作品での利用の段階ごとに本人の書面の同意を求め、将来の利用までまとめて同意させる契約を無効とする。同意の有効期間は原則最長1年 |
| 亡くなった人の声 | 同じガイドラインは、亡くなった人の声を AI で作って使うことを原則禁止とし、生前に関わっていない新しい作品・広告では理由を問わず認めないとしている |
4. 選ぶときに知っておきたいこと
| 点 | 各社の発表に書かれていること |
|---|---|
| 順位表は人の好みを測らない | Hugging Face の音声合成の順位表（9月30日）は、聞き取りやすさ・速さ・話者の似具合を機械で測る。自然さ・表現力・聞き手の好みは直接は測らず、人の好みの順位付けを置き換えるものではないとしている |
| 音声をどこで処理するか | Mistral AI は、音声をどこで処理するか、データをどう扱うか、会話を残すかを、利用する企業が選べるとしている |
| 部品を入れ替えられるか | Voxtral 3 は、考えるモデル・声・言語を、エージェントを作り直さずに入れ替えられるとしている |
確かめた一次資料
- Introducing Grok Voice 3.0 ↗
- Voxtral 3: Voice Agent SDK & Speech Models in 50+ Languages ↗
- NVIDIA Nemotron 3.5 Transcribe and Granary v2: Intelligent Multilingual Transcription You Can Prompt and Adapt ↗
- Introducing Gemini 3.8 Live with Live Avatar ↗
- Dessa - the Conversation Model trained only on speech ↗
- Open TTS Leaderboard: Scalable Evaluation for Multilingual Text-to-Speech and Voice Cloning ↗
- 音声に関する生成AI利用ガイドライン Ver 1.0 ↗
この記事は、上の一次資料の原文を読んで書いています。数字は原文のとおりで、計算した値はそう書いています。